Grundlagen der neuronalen Oszillationen
Roshini Randeniya
Aktualisiert am
22.02.2024
Grundlagen der neuronalen Oszillationen
Roshini Randeniya
Aktualisiert am
22.02.2024
Grundlagen der neuronalen Oszillationen
Roshini Randeniya
Aktualisiert am
22.02.2024
1. Einführung
Willkommen! In diesem Tutorial lernen wir Gehirnwellen kennen und wie wir sie nutzen können, um das Gehirn und Verhalten zu verstehen.
Hans Berger prägte den Begriff Elektroenzephalogramm im Jahr 1929, als er Veränderungen elektrischer Potenziale beschrieb, die mithilfe von Sensoren aufgezeichnet wurden, die auf dem Kopf einer Person platziert waren. Er identifizierte zwei Arten von Gehirnwellen, die er einfach aufgrund der Reihenfolge, in der er sie aufzeichnete, Alpha- und Beta-Wellen nannte. Solche Wellen waren zwar auch bei anderen Säugetieren aufgezeichnet worden, aber Berger beschrieb sie zum ersten Mal beim Menschen!
Seitdem ist die Elektroenzephalographie-Methode zu einem wichtigen Werkzeug in der Neurowissenschaft geworden und hat dazu beigetragen, unser Verständnis von Gehirnwellen (die Forschende neuronale Oszillationen nennen) weiterzuentwickeln sowie Zustände im Gehirn wie Müdigkeit und Wachheit zu charakterisieren.
In diesem kurzen Tutorial behandeln wir Folgendes:
Was sind neuronale Oszillationen?
Wie können wir neuronale Oszillationen messen?
Was können wir mit neuronalen Oszillationen machen?
Praktische Anwendung mit Emotiv-Geräten und -Software.
2. Was ist EEG?
Elektroenzephalographie (EEG) ist eine nicht-invasive und passive Methode zur Messung der elektrischen Aktivität unseres Gehirns. Elektroden/Sensoren/Kanäle werden auf der Kopfhaut platziert, um elektrische Aktivität aufzuzeichnen, die von Populationen von Gehirnzellen erzeugt wird, den sogenannten Neuronen.
Abb. 1 – Neuronen erzeugen elektrische Aktivität, die mit einem EEG-Gerät nachgewiesen werden kann [Siuly, et al. (2016)].
2.1. EEG-Systeme
Es gibt viele EEG-Geräte auf dem Markt, die zur Aufzeichnung eines EEGs verwendet werden können. EEG-Geräte können Folgendes umfassen:
Ein einzelner Sensor oder bis zu 256 Elektroden – Mehr Elektroden würden eine höhere räumliche Auflösung der Informationen über die Kopfhaut liefern.
Feuchte oder trockene Elektroden – Feuchte Elektroden verwenden ein elektrolytisches Gel oder eine Kochsalzlösung, um die Leitfähigkeit zwischen der Kopfhaut und dem Sensor zu verbessern. Trockene Elektroden können aus Metall oder leitfähigen Polymeren bestehen und benötigen direkten Kontakt mit der Kopfhaut.
Aktive oder passive Elektroden – Passive Elektrodensysteme leiten das Signal einfach an das Gerät weiter, wo es verstärkt wird. Aktive Elektrodensysteme verstärken das Signal an jeder Elektrode, bevor es zur Verstärkung das Gerät erreicht. Dadurch werden elektrische Störungen aus der Umgebung im Signal reduziert.
Kabelgebundene oder kabellose Geräte, die Daten per Bluetooth übertragen.
Abb. 2 – Ein kabelloses EEG-System mit geringer Dichte.
Abb. 3 – Ein kabelgebundenes EEG-System mit hochdichter Elektrodenanordnung.
2.2. Wann sollte EEG verwendet werden?
Jede Neuroimaging-Methode kann dabei helfen, unterschiedliche Forschungsfragen zu beantworten.
EEGs größte Stärke ist, dass es neuronale Aktivität im Millisekundenbereich messen kann, wodurch vorbewusste Prozesse erfasst werden können.
Abb. 4 – Räumliche vs. zeitliche Auflösung verschiedener Neuroimaging-Werkzeuge.
Es eignet sich besonders gut für Fragen wie: „Welche Teile meines Videos haben die Teilnehmenden am meisten beachtet?“
EEG erfasst Aktivität hauptsächlich aus den äußeren Schichten des Gehirns (d. h. es hat eine geringe räumliche Auflösung). Mit einem einzelnen Sensor ist es unmöglich, die Quelle der Aktivität zu identifizieren. Die Aufzeichnung mit einer großen Anzahl von Kanälen kann es erlauben, die Quelle mathematisch zu rekonstruieren, aber die Identifizierung tiefer Quellen bleibt dennoch begrenzt. Die funktionelle Magnetresonanztomografie (fMRT) eignet sich besser, um Fragen zu beantworten wie: „Welcher Teil des Gehirns steht mit Veränderungen der Aufmerksamkeit in Zusammenhang?“
2.3. Vom Sensor zum Roh-EEG?
Sobald ein EEG-Gerät am Kopf angebracht ist, wird die Gehirnaktivität an einem einzelnen Sensor als die Amplitudendifferenz zwischen diesem Sensor und einem Referenzsensor gemessen. In den meisten EEG-Systemen wird dies als common mode sense (CMS)-Elektrode bezeichnet. Ein zusätzlicher Sensor, das driven right leg (DRL), hilft dabei, Störungen am CMS zu reduzieren.
Abb. 5 – Vereinfachtes Blockdiagramm der EEG-Signalübertragung.
In Systemen mit aktiven und passiven Elektroden wird das Signal anschließend verstärkt und tiefpassgefiltert. Die Tiefpassfilterung ist ein Schritt, der mögliche elektrische Störungen aus der Umgebung aus Ihrem Signal entfernt, z. B. Netzstrom.
Diese Schritte erfolgen in der Hardware selbst, bevor das Roh-EEG-Signal auf Ihrem Computerbildschirm angezeigt werden kann.
2.4. Einige grundlegende Begriffe
10-20-Namenskonvention
Linke Sensoren haben üblicherweise ungerade Nummern und rechte Sensoren üblicherweise gerade Nummern.
Hinweis 1: Dies sind nur Namenskonventionen, und die Quelle der EEG-Sensorposition ist kein Hinweis auf die Quelle der Aktivität.
Hinweis 2: Zusätzliche Schritte wie die mathematische Rekonstruktion der Quelle müssen durchgeführt werden, um die Quelle der Aktivität auf einem einzelnen Kanal zu bestimmen.
3. Was sind neuronale Oszillationen?
Gehirnwellen, oft als neuronale Oszillationen bezeichnet, sind rhythmische Muster, die von einzelnen Neuronen oder Neuronenclustern erzeugt werden.
Es ist noch nicht ganz klar, warum das Gehirn diese verschiedenen Arten von Oszillationen erzeugt, obwohl es viele Theorien gibt. Forschende verwenden unterschiedliche Aufgaben, um diese oszillatorischen Aktivitäten zu charakterisieren, und versuchen, die Geheimnisse des Gehirns mithilfe dieser rhythmischen Muster zu verstehen.
3.1. Einige Eigenschaften einer Oszillation
Diese Abbildung zeigt eine Messung eines regelmäßigen elektrischen Signals:
Abb. 6 – Räumliche vs. zeitliche Auflösung verschiedener Neuroimaging-Werkzeuge.
Links (y-Achse) können wir die Amplitude der elektrischen Aufzeichnung und auf der horizontalen Achse (x-Achse) die Zeit darstellen. Die Amplitude des Signals variiert in ihrer Stärke in regelmäßiger Weise um einen Mittelpunkt. Ein Zyklus wird auch als Oszillation bezeichnet.
Die Anzahl der Zyklen pro Sekunde wird als Frequenz der Welle bezeichnet und die Einheit ist Hertz (Hz). Also gilt: 1 Zyklus pro Sekunde = 1 Hz. Amplituden werden typischerweise in Mikrovolt (µV) gemessen.
Im Gehirn sehen wir Wellen mit Frequenzen von 0,2 Hz (sehr langsame Wellen) bis 80 Hz oder mehr (sehr schnelle Wellen). Hochfrequente Aktivität bis zu 500 Hz, die mit Anfällen verbunden ist, kann ebenfalls im Gehirn aufgezeichnet werden.
Verschiedene Arten von Gehirnoszillationen werden anhand ihrer Frequenz charakterisiert. Diese sind als Frequenzbänder bekannt und können mit verschiedenen Gehirnzuständen in Verbindung gebracht werden:
Abb. 7 – Gehirnwellen in einem typischen EEG.
3.2. Warum sind verschiedene Frequenzbänder wichtig?
Erkennen normaler vs. abnormaler Gehirnmuster
Neuronale Oszillationen sind wichtig für das Erkennen von Anfällen und die Diagnose von Epilepsie in der Neurologie.Brain-Computer-Interfaces (BCI)
Die Menge an Beta-, Gamma- und Mu-Oszillationen wird oft verwendet, um ferngesteuerte Geräte zu trainieren (z. B. einen Rollstuhl mit Gedanken bewegen).Neurofeedback
Dies ist eine Form des Gehirntrainings, bei der Sie Ihre Gehirnwellen (z. B. Gamma-Oszillationen) ansehen und kognitive Aufgaben durchführen können, um die Menge der Gamma-Oszillationen in Ihrem Gehirn zu verbessern.Neuromarketing
Alpha- und Beta-Frequenzbänder können verwendet werden, um zu bestimmen, welcher Teil einer Werbung mehr oder weniger ansprechend ist.
3.3. Arten der EEG-Datenanalyse
Am häufigsten führen Forschende Analysen entweder im Zeitbereich oder im Frequenzbereich durch.
Analyse im Zeitbereich
Misst typischerweise die Spannungsamplitude zu Zeitpunkten von Interesse nach Beginn eines Reizes. Diese werden ereigniskorrelierte Potenziale (ERPs) genannt.
Analyse im Frequenzbereich
Misst typischerweise das Ausmaß neuronaler Oszillationen in verschiedenen Frequenzbändern in einem definierten Zeitfenster oder bezogen auf den Beginn eines Ereignisses.
Als Nächstes geben wir einen Überblick über die Frequenzbereichsanalyse.
3.4. Verarbeitung
Sobald Sie eine EEG-Aufzeichnung erstellt haben, bereinigen Sie die Daten typischerweise, bevor Sie die Oszillationen interpretieren.
Filterung
Eine Technik zur Entfernung von hoch- und niederfrequentem Umgebungsrauschen in den Daten.Artefaktentfernung
Körperbewegungen und Augenblinzeln können große Artefakte verursachen (> 50 µV Spitzen im EEG). Diese können entfernt werden, damit sie unsere Ergebnisse nicht beeinflussen. Einige Forschende verwenden ausgefeilte Methoden, um diese Artefakte zu korrigieren und die Daten zu erhalten.
Nachdem die Daten verarbeitet wurden, kann das Signal nun in den Frequenzbereich umgewandelt werden, damit wir die Menge jeder Art von Gehirnwellen quantifizieren können.
Abb. 8 – Augenblinzeln-Artefakt im Roh-EEG.
3.5. Schnelle Fourier-Transformation (FFT)
Eine Fourier-Transformation ist die mathematische Umwandlung des EEG-Signals vom „Zeitbereich“ (Bild A) in den „Frequenzbereich“ (Bild B).
Im Frequenzbereich können wir quantifizieren, wie viel von jeder Art von Oszillation in unserer Aufzeichnung enthalten war. Dies ist typischerweise die „Leistung“ des Frequenzbands und kann als Leistungsspektrum (Bild B) dargestellt werden.
Abb. 9A – Rohes EEG im Zeitbereich.
Abb. 9B – Leistungsspektrum nach FFT (Frequenzbereich).
3.6. Bandleistung
Die Leistung eines Frequenzbands (z. B. des Alpha-Bands), die aus einer Fourier-Transformation gewonnen wird, sagt uns, wie viel von jedem Frequenzband vorhanden ist. Die Einheiten der Bandleistung liegen typischerweise bei µV2/Hz. Am häufigsten werden Amplituden- oder Leistungsspektren aus einer FFT in der logarithmischen Einheit Dezibel (dB) dargestellt. Das Dezibel ist eine Verhältniseinheit zwischen einer gemessenen Leistung (P) und einer Referenzleistung (Pr) wie folgt:
Sobald diese Maßeinheit für Ereignisse von Interesse bestimmt wurde, können Bandleistungen verglichen werden, um experimentelle Effekte auf Gehirnwellen zu verstehen.
4. Von der Theorie zur Praxis
Als Nächstes betrachten wir den Alpha-Suppressionseffekt.
Dies ist ein Phänomen, das erstmals von Hans Berger berichtet wurde und bei dem wir eine deutliche Abnahme der Menge an Alpha-Oszillationen (Alpha-Leistung) sehen, wenn die Augen einer Person geöffnet sind im Vergleich zu geschlossen.
Abb. 10 – Eine Zunahme der Alpha-Oszillationen kann beobachtet werden, wenn die Augen geöffnet sind.
Zuerst haben wir mit EmotivPRO Builder ein einfaches Experiment erstellt. In diesem Experiment wird eine teilnehmende Person einfach gebeten, die Augen 2 Minuten lang offen zu halten, während sie auf den Bildschirm fokussiert, und dann 2 Minuten lang zu schließen. Am Ende der 2 Minuten würde sie eine Glocke hören, die das Öffnen der Augen signalisiert.
Sie können dem Video unten folgen, um Ihr eigenes Alpha-Suppression-Experiment zu erstellen, oder Sie können unser Experiment über den Link hier ausführen:
4.1. Geräteanpassung und EEG-Qualität
Lesen Sie hier mehr darüber, wie unser EQ-Gate funktioniert hier. Weitere Informationen zur gerätespezifischen Anpassung Ihres Headsets finden Sie hier:
EPOC-Typ
Insight-Typ
4.2. Verarbeitung und Umwandlung der EEG-Daten
Jetzt, da Sie Ihre Daten haben, können Sie sie mit Emotiv Analyzer in den Frequenzbereich umwandeln. Folgen Sie den Schritten im Video.
4.3. Interpretation der Daten
Sobald Analyzer fertig ist, laden Sie die Zip-Datei herunter. Für jeden Datensatz erhalten Sie eine CSV-Datei mit Bandleistungen und eine Bilddatei, die Sie verwenden können, um Ihre eigene statistische Analyse durchzuführen.
Abb. 11 – Bandleistungen.
In unserer Ausgabe sehen wir den Anstieg der Alpha-Leistung, wenn die Augen geschlossen waren (orange), im Vergleich zu geöffneten Augen (blau).
Dies ist das Ende unseres Tutorials! Sie sind nun mit den Grundlagen ausgestattet 🙂
Sie können einige Links zu weiterführender Lektüre im Abschnitt Ressourcen finden.
5. Ressourcen
WEITERFÜHRENDE LEKTÜRE
Donoghue et al. 2022 Methodische Überlegungen zum Studium neuronaler Oszillationen
GLOSSAR DER EEG-TERMINOLOGIE
Kane et al. 2017 (hier)
OFFENER QUELLCODE
Wenn Sie sich mit Python-Programmierung wohlfühlen, haben wir Python-Skripte bereitgestellt, mit denen Sie Alpha-Leistungswerte erhalten können, gekennzeichnet nach Abschnitten mit geöffneten und geschlossenen Augen. Den Code und Beispiel-Alpha-Suppression-Datendateien finden Sie hier: https://osf.io/9bvgh/
EMOTIV-HANDBÜCHER
EmotivPRO Builder-Handbuch
EmotivPRO-Handbuch
EmotivPRO Analyzer-Handbuch
7. Literaturverzeichnis
Donoghue, T., Schaworonkow, N. und Voytek, B., 2022. Methodische Überlegungen zum Studium neuronaler Oszillationen. European journal of neuroscience, 55(11-12), S.3502-3527. doi: https://doi.org/10.1111/ejn.15361
Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. und van Putten, M.J., 2017. Ein überarbeitetes Glossar der Begriffe, die von klinischen Elektroenzephalografen am häufigsten verwendet werden, sowie ein aktualisierter Vorschlag für das Berichtsformat der EEG-Befunde. Überarbeitung 2017. Clinical neurophysiology practice, 2, S.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Elektroenzephalogramm (EEG) und sein Hintergrund. In: EEG-Signalanalyse und -Klassifikation. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. Einführung
Willkommen! In diesem Tutorial lernen wir Gehirnwellen kennen und wie wir sie nutzen können, um das Gehirn und Verhalten zu verstehen.
Hans Berger prägte den Begriff Elektroenzephalogramm im Jahr 1929, als er Veränderungen elektrischer Potenziale beschrieb, die mithilfe von Sensoren aufgezeichnet wurden, die auf dem Kopf einer Person platziert waren. Er identifizierte zwei Arten von Gehirnwellen, die er einfach aufgrund der Reihenfolge, in der er sie aufzeichnete, Alpha- und Beta-Wellen nannte. Solche Wellen waren zwar auch bei anderen Säugetieren aufgezeichnet worden, aber Berger beschrieb sie zum ersten Mal beim Menschen!
Seitdem ist die Elektroenzephalographie-Methode zu einem wichtigen Werkzeug in der Neurowissenschaft geworden und hat dazu beigetragen, unser Verständnis von Gehirnwellen (die Forschende neuronale Oszillationen nennen) weiterzuentwickeln sowie Zustände im Gehirn wie Müdigkeit und Wachheit zu charakterisieren.
In diesem kurzen Tutorial behandeln wir Folgendes:
Was sind neuronale Oszillationen?
Wie können wir neuronale Oszillationen messen?
Was können wir mit neuronalen Oszillationen machen?
Praktische Anwendung mit Emotiv-Geräten und -Software.
2. Was ist EEG?
Elektroenzephalographie (EEG) ist eine nicht-invasive und passive Methode zur Messung der elektrischen Aktivität unseres Gehirns. Elektroden/Sensoren/Kanäle werden auf der Kopfhaut platziert, um elektrische Aktivität aufzuzeichnen, die von Populationen von Gehirnzellen erzeugt wird, den sogenannten Neuronen.
Abb. 1 – Neuronen erzeugen elektrische Aktivität, die mit einem EEG-Gerät nachgewiesen werden kann [Siuly, et al. (2016)].
2.1. EEG-Systeme
Es gibt viele EEG-Geräte auf dem Markt, die zur Aufzeichnung eines EEGs verwendet werden können. EEG-Geräte können Folgendes umfassen:
Ein einzelner Sensor oder bis zu 256 Elektroden – Mehr Elektroden würden eine höhere räumliche Auflösung der Informationen über die Kopfhaut liefern.
Feuchte oder trockene Elektroden – Feuchte Elektroden verwenden ein elektrolytisches Gel oder eine Kochsalzlösung, um die Leitfähigkeit zwischen der Kopfhaut und dem Sensor zu verbessern. Trockene Elektroden können aus Metall oder leitfähigen Polymeren bestehen und benötigen direkten Kontakt mit der Kopfhaut.
Aktive oder passive Elektroden – Passive Elektrodensysteme leiten das Signal einfach an das Gerät weiter, wo es verstärkt wird. Aktive Elektrodensysteme verstärken das Signal an jeder Elektrode, bevor es zur Verstärkung das Gerät erreicht. Dadurch werden elektrische Störungen aus der Umgebung im Signal reduziert.
Kabelgebundene oder kabellose Geräte, die Daten per Bluetooth übertragen.
Abb. 2 – Ein kabelloses EEG-System mit geringer Dichte.
Abb. 3 – Ein kabelgebundenes EEG-System mit hochdichter Elektrodenanordnung.
2.2. Wann sollte EEG verwendet werden?
Jede Neuroimaging-Methode kann dabei helfen, unterschiedliche Forschungsfragen zu beantworten.
EEGs größte Stärke ist, dass es neuronale Aktivität im Millisekundenbereich messen kann, wodurch vorbewusste Prozesse erfasst werden können.
Abb. 4 – Räumliche vs. zeitliche Auflösung verschiedener Neuroimaging-Werkzeuge.
Es eignet sich besonders gut für Fragen wie: „Welche Teile meines Videos haben die Teilnehmenden am meisten beachtet?“
EEG erfasst Aktivität hauptsächlich aus den äußeren Schichten des Gehirns (d. h. es hat eine geringe räumliche Auflösung). Mit einem einzelnen Sensor ist es unmöglich, die Quelle der Aktivität zu identifizieren. Die Aufzeichnung mit einer großen Anzahl von Kanälen kann es erlauben, die Quelle mathematisch zu rekonstruieren, aber die Identifizierung tiefer Quellen bleibt dennoch begrenzt. Die funktionelle Magnetresonanztomografie (fMRT) eignet sich besser, um Fragen zu beantworten wie: „Welcher Teil des Gehirns steht mit Veränderungen der Aufmerksamkeit in Zusammenhang?“
2.3. Vom Sensor zum Roh-EEG?
Sobald ein EEG-Gerät am Kopf angebracht ist, wird die Gehirnaktivität an einem einzelnen Sensor als die Amplitudendifferenz zwischen diesem Sensor und einem Referenzsensor gemessen. In den meisten EEG-Systemen wird dies als common mode sense (CMS)-Elektrode bezeichnet. Ein zusätzlicher Sensor, das driven right leg (DRL), hilft dabei, Störungen am CMS zu reduzieren.
Abb. 5 – Vereinfachtes Blockdiagramm der EEG-Signalübertragung.
In Systemen mit aktiven und passiven Elektroden wird das Signal anschließend verstärkt und tiefpassgefiltert. Die Tiefpassfilterung ist ein Schritt, der mögliche elektrische Störungen aus der Umgebung aus Ihrem Signal entfernt, z. B. Netzstrom.
Diese Schritte erfolgen in der Hardware selbst, bevor das Roh-EEG-Signal auf Ihrem Computerbildschirm angezeigt werden kann.
2.4. Einige grundlegende Begriffe
10-20-Namenskonvention
Linke Sensoren haben üblicherweise ungerade Nummern und rechte Sensoren üblicherweise gerade Nummern.
Hinweis 1: Dies sind nur Namenskonventionen, und die Quelle der EEG-Sensorposition ist kein Hinweis auf die Quelle der Aktivität.
Hinweis 2: Zusätzliche Schritte wie die mathematische Rekonstruktion der Quelle müssen durchgeführt werden, um die Quelle der Aktivität auf einem einzelnen Kanal zu bestimmen.
3. Was sind neuronale Oszillationen?
Gehirnwellen, oft als neuronale Oszillationen bezeichnet, sind rhythmische Muster, die von einzelnen Neuronen oder Neuronenclustern erzeugt werden.
Es ist noch nicht ganz klar, warum das Gehirn diese verschiedenen Arten von Oszillationen erzeugt, obwohl es viele Theorien gibt. Forschende verwenden unterschiedliche Aufgaben, um diese oszillatorischen Aktivitäten zu charakterisieren, und versuchen, die Geheimnisse des Gehirns mithilfe dieser rhythmischen Muster zu verstehen.
3.1. Einige Eigenschaften einer Oszillation
Diese Abbildung zeigt eine Messung eines regelmäßigen elektrischen Signals:
Abb. 6 – Räumliche vs. zeitliche Auflösung verschiedener Neuroimaging-Werkzeuge.
Links (y-Achse) können wir die Amplitude der elektrischen Aufzeichnung und auf der horizontalen Achse (x-Achse) die Zeit darstellen. Die Amplitude des Signals variiert in ihrer Stärke in regelmäßiger Weise um einen Mittelpunkt. Ein Zyklus wird auch als Oszillation bezeichnet.
Die Anzahl der Zyklen pro Sekunde wird als Frequenz der Welle bezeichnet und die Einheit ist Hertz (Hz). Also gilt: 1 Zyklus pro Sekunde = 1 Hz. Amplituden werden typischerweise in Mikrovolt (µV) gemessen.
Im Gehirn sehen wir Wellen mit Frequenzen von 0,2 Hz (sehr langsame Wellen) bis 80 Hz oder mehr (sehr schnelle Wellen). Hochfrequente Aktivität bis zu 500 Hz, die mit Anfällen verbunden ist, kann ebenfalls im Gehirn aufgezeichnet werden.
Verschiedene Arten von Gehirnoszillationen werden anhand ihrer Frequenz charakterisiert. Diese sind als Frequenzbänder bekannt und können mit verschiedenen Gehirnzuständen in Verbindung gebracht werden:
Abb. 7 – Gehirnwellen in einem typischen EEG.
3.2. Warum sind verschiedene Frequenzbänder wichtig?
Erkennen normaler vs. abnormaler Gehirnmuster
Neuronale Oszillationen sind wichtig für das Erkennen von Anfällen und die Diagnose von Epilepsie in der Neurologie.Brain-Computer-Interfaces (BCI)
Die Menge an Beta-, Gamma- und Mu-Oszillationen wird oft verwendet, um ferngesteuerte Geräte zu trainieren (z. B. einen Rollstuhl mit Gedanken bewegen).Neurofeedback
Dies ist eine Form des Gehirntrainings, bei der Sie Ihre Gehirnwellen (z. B. Gamma-Oszillationen) ansehen und kognitive Aufgaben durchführen können, um die Menge der Gamma-Oszillationen in Ihrem Gehirn zu verbessern.Neuromarketing
Alpha- und Beta-Frequenzbänder können verwendet werden, um zu bestimmen, welcher Teil einer Werbung mehr oder weniger ansprechend ist.
3.3. Arten der EEG-Datenanalyse
Am häufigsten führen Forschende Analysen entweder im Zeitbereich oder im Frequenzbereich durch.
Analyse im Zeitbereich
Misst typischerweise die Spannungsamplitude zu Zeitpunkten von Interesse nach Beginn eines Reizes. Diese werden ereigniskorrelierte Potenziale (ERPs) genannt.
Analyse im Frequenzbereich
Misst typischerweise das Ausmaß neuronaler Oszillationen in verschiedenen Frequenzbändern in einem definierten Zeitfenster oder bezogen auf den Beginn eines Ereignisses.
Als Nächstes geben wir einen Überblick über die Frequenzbereichsanalyse.
3.4. Verarbeitung
Sobald Sie eine EEG-Aufzeichnung erstellt haben, bereinigen Sie die Daten typischerweise, bevor Sie die Oszillationen interpretieren.
Filterung
Eine Technik zur Entfernung von hoch- und niederfrequentem Umgebungsrauschen in den Daten.Artefaktentfernung
Körperbewegungen und Augenblinzeln können große Artefakte verursachen (> 50 µV Spitzen im EEG). Diese können entfernt werden, damit sie unsere Ergebnisse nicht beeinflussen. Einige Forschende verwenden ausgefeilte Methoden, um diese Artefakte zu korrigieren und die Daten zu erhalten.
Nachdem die Daten verarbeitet wurden, kann das Signal nun in den Frequenzbereich umgewandelt werden, damit wir die Menge jeder Art von Gehirnwellen quantifizieren können.
Abb. 8 – Augenblinzeln-Artefakt im Roh-EEG.
3.5. Schnelle Fourier-Transformation (FFT)
Eine Fourier-Transformation ist die mathematische Umwandlung des EEG-Signals vom „Zeitbereich“ (Bild A) in den „Frequenzbereich“ (Bild B).
Im Frequenzbereich können wir quantifizieren, wie viel von jeder Art von Oszillation in unserer Aufzeichnung enthalten war. Dies ist typischerweise die „Leistung“ des Frequenzbands und kann als Leistungsspektrum (Bild B) dargestellt werden.
Abb. 9A – Rohes EEG im Zeitbereich.
Abb. 9B – Leistungsspektrum nach FFT (Frequenzbereich).
3.6. Bandleistung
Die Leistung eines Frequenzbands (z. B. des Alpha-Bands), die aus einer Fourier-Transformation gewonnen wird, sagt uns, wie viel von jedem Frequenzband vorhanden ist. Die Einheiten der Bandleistung liegen typischerweise bei µV2/Hz. Am häufigsten werden Amplituden- oder Leistungsspektren aus einer FFT in der logarithmischen Einheit Dezibel (dB) dargestellt. Das Dezibel ist eine Verhältniseinheit zwischen einer gemessenen Leistung (P) und einer Referenzleistung (Pr) wie folgt:
Sobald diese Maßeinheit für Ereignisse von Interesse bestimmt wurde, können Bandleistungen verglichen werden, um experimentelle Effekte auf Gehirnwellen zu verstehen.
4. Von der Theorie zur Praxis
Als Nächstes betrachten wir den Alpha-Suppressionseffekt.
Dies ist ein Phänomen, das erstmals von Hans Berger berichtet wurde und bei dem wir eine deutliche Abnahme der Menge an Alpha-Oszillationen (Alpha-Leistung) sehen, wenn die Augen einer Person geöffnet sind im Vergleich zu geschlossen.
Abb. 10 – Eine Zunahme der Alpha-Oszillationen kann beobachtet werden, wenn die Augen geöffnet sind.
Zuerst haben wir mit EmotivPRO Builder ein einfaches Experiment erstellt. In diesem Experiment wird eine teilnehmende Person einfach gebeten, die Augen 2 Minuten lang offen zu halten, während sie auf den Bildschirm fokussiert, und dann 2 Minuten lang zu schließen. Am Ende der 2 Minuten würde sie eine Glocke hören, die das Öffnen der Augen signalisiert.
Sie können dem Video unten folgen, um Ihr eigenes Alpha-Suppression-Experiment zu erstellen, oder Sie können unser Experiment über den Link hier ausführen:
4.1. Geräteanpassung und EEG-Qualität
Lesen Sie hier mehr darüber, wie unser EQ-Gate funktioniert hier. Weitere Informationen zur gerätespezifischen Anpassung Ihres Headsets finden Sie hier:
EPOC-Typ
Insight-Typ
4.2. Verarbeitung und Umwandlung der EEG-Daten
Jetzt, da Sie Ihre Daten haben, können Sie sie mit Emotiv Analyzer in den Frequenzbereich umwandeln. Folgen Sie den Schritten im Video.
4.3. Interpretation der Daten
Sobald Analyzer fertig ist, laden Sie die Zip-Datei herunter. Für jeden Datensatz erhalten Sie eine CSV-Datei mit Bandleistungen und eine Bilddatei, die Sie verwenden können, um Ihre eigene statistische Analyse durchzuführen.
Abb. 11 – Bandleistungen.
In unserer Ausgabe sehen wir den Anstieg der Alpha-Leistung, wenn die Augen geschlossen waren (orange), im Vergleich zu geöffneten Augen (blau).
Dies ist das Ende unseres Tutorials! Sie sind nun mit den Grundlagen ausgestattet 🙂
Sie können einige Links zu weiterführender Lektüre im Abschnitt Ressourcen finden.
5. Ressourcen
WEITERFÜHRENDE LEKTÜRE
Donoghue et al. 2022 Methodische Überlegungen zum Studium neuronaler Oszillationen
GLOSSAR DER EEG-TERMINOLOGIE
Kane et al. 2017 (hier)
OFFENER QUELLCODE
Wenn Sie sich mit Python-Programmierung wohlfühlen, haben wir Python-Skripte bereitgestellt, mit denen Sie Alpha-Leistungswerte erhalten können, gekennzeichnet nach Abschnitten mit geöffneten und geschlossenen Augen. Den Code und Beispiel-Alpha-Suppression-Datendateien finden Sie hier: https://osf.io/9bvgh/
EMOTIV-HANDBÜCHER
EmotivPRO Builder-Handbuch
EmotivPRO-Handbuch
EmotivPRO Analyzer-Handbuch
7. Literaturverzeichnis
Donoghue, T., Schaworonkow, N. und Voytek, B., 2022. Methodische Überlegungen zum Studium neuronaler Oszillationen. European journal of neuroscience, 55(11-12), S.3502-3527. doi: https://doi.org/10.1111/ejn.15361
Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. und van Putten, M.J., 2017. Ein überarbeitetes Glossar der Begriffe, die von klinischen Elektroenzephalografen am häufigsten verwendet werden, sowie ein aktualisierter Vorschlag für das Berichtsformat der EEG-Befunde. Überarbeitung 2017. Clinical neurophysiology practice, 2, S.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Elektroenzephalogramm (EEG) und sein Hintergrund. In: EEG-Signalanalyse und -Klassifikation. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. Einführung
Willkommen! In diesem Tutorial lernen wir Gehirnwellen kennen und wie wir sie nutzen können, um das Gehirn und Verhalten zu verstehen.
Hans Berger prägte den Begriff Elektroenzephalogramm im Jahr 1929, als er Veränderungen elektrischer Potenziale beschrieb, die mithilfe von Sensoren aufgezeichnet wurden, die auf dem Kopf einer Person platziert waren. Er identifizierte zwei Arten von Gehirnwellen, die er einfach aufgrund der Reihenfolge, in der er sie aufzeichnete, Alpha- und Beta-Wellen nannte. Solche Wellen waren zwar auch bei anderen Säugetieren aufgezeichnet worden, aber Berger beschrieb sie zum ersten Mal beim Menschen!
Seitdem ist die Elektroenzephalographie-Methode zu einem wichtigen Werkzeug in der Neurowissenschaft geworden und hat dazu beigetragen, unser Verständnis von Gehirnwellen (die Forschende neuronale Oszillationen nennen) weiterzuentwickeln sowie Zustände im Gehirn wie Müdigkeit und Wachheit zu charakterisieren.
In diesem kurzen Tutorial behandeln wir Folgendes:
Was sind neuronale Oszillationen?
Wie können wir neuronale Oszillationen messen?
Was können wir mit neuronalen Oszillationen machen?
Praktische Anwendung mit Emotiv-Geräten und -Software.
2. Was ist EEG?
Elektroenzephalographie (EEG) ist eine nicht-invasive und passive Methode zur Messung der elektrischen Aktivität unseres Gehirns. Elektroden/Sensoren/Kanäle werden auf der Kopfhaut platziert, um elektrische Aktivität aufzuzeichnen, die von Populationen von Gehirnzellen erzeugt wird, den sogenannten Neuronen.
Abb. 1 – Neuronen erzeugen elektrische Aktivität, die mit einem EEG-Gerät nachgewiesen werden kann [Siuly, et al. (2016)].
2.1. EEG-Systeme
Es gibt viele EEG-Geräte auf dem Markt, die zur Aufzeichnung eines EEGs verwendet werden können. EEG-Geräte können Folgendes umfassen:
Ein einzelner Sensor oder bis zu 256 Elektroden – Mehr Elektroden würden eine höhere räumliche Auflösung der Informationen über die Kopfhaut liefern.
Feuchte oder trockene Elektroden – Feuchte Elektroden verwenden ein elektrolytisches Gel oder eine Kochsalzlösung, um die Leitfähigkeit zwischen der Kopfhaut und dem Sensor zu verbessern. Trockene Elektroden können aus Metall oder leitfähigen Polymeren bestehen und benötigen direkten Kontakt mit der Kopfhaut.
Aktive oder passive Elektroden – Passive Elektrodensysteme leiten das Signal einfach an das Gerät weiter, wo es verstärkt wird. Aktive Elektrodensysteme verstärken das Signal an jeder Elektrode, bevor es zur Verstärkung das Gerät erreicht. Dadurch werden elektrische Störungen aus der Umgebung im Signal reduziert.
Kabelgebundene oder kabellose Geräte, die Daten per Bluetooth übertragen.
Abb. 2 – Ein kabelloses EEG-System mit geringer Dichte.
Abb. 3 – Ein kabelgebundenes EEG-System mit hochdichter Elektrodenanordnung.
2.2. Wann sollte EEG verwendet werden?
Jede Neuroimaging-Methode kann dabei helfen, unterschiedliche Forschungsfragen zu beantworten.
EEGs größte Stärke ist, dass es neuronale Aktivität im Millisekundenbereich messen kann, wodurch vorbewusste Prozesse erfasst werden können.
Abb. 4 – Räumliche vs. zeitliche Auflösung verschiedener Neuroimaging-Werkzeuge.
Es eignet sich besonders gut für Fragen wie: „Welche Teile meines Videos haben die Teilnehmenden am meisten beachtet?“
EEG erfasst Aktivität hauptsächlich aus den äußeren Schichten des Gehirns (d. h. es hat eine geringe räumliche Auflösung). Mit einem einzelnen Sensor ist es unmöglich, die Quelle der Aktivität zu identifizieren. Die Aufzeichnung mit einer großen Anzahl von Kanälen kann es erlauben, die Quelle mathematisch zu rekonstruieren, aber die Identifizierung tiefer Quellen bleibt dennoch begrenzt. Die funktionelle Magnetresonanztomografie (fMRT) eignet sich besser, um Fragen zu beantworten wie: „Welcher Teil des Gehirns steht mit Veränderungen der Aufmerksamkeit in Zusammenhang?“
2.3. Vom Sensor zum Roh-EEG?
Sobald ein EEG-Gerät am Kopf angebracht ist, wird die Gehirnaktivität an einem einzelnen Sensor als die Amplitudendifferenz zwischen diesem Sensor und einem Referenzsensor gemessen. In den meisten EEG-Systemen wird dies als common mode sense (CMS)-Elektrode bezeichnet. Ein zusätzlicher Sensor, das driven right leg (DRL), hilft dabei, Störungen am CMS zu reduzieren.
Abb. 5 – Vereinfachtes Blockdiagramm der EEG-Signalübertragung.
In Systemen mit aktiven und passiven Elektroden wird das Signal anschließend verstärkt und tiefpassgefiltert. Die Tiefpassfilterung ist ein Schritt, der mögliche elektrische Störungen aus der Umgebung aus Ihrem Signal entfernt, z. B. Netzstrom.
Diese Schritte erfolgen in der Hardware selbst, bevor das Roh-EEG-Signal auf Ihrem Computerbildschirm angezeigt werden kann.
2.4. Einige grundlegende Begriffe
10-20-Namenskonvention
Linke Sensoren haben üblicherweise ungerade Nummern und rechte Sensoren üblicherweise gerade Nummern.
Hinweis 1: Dies sind nur Namenskonventionen, und die Quelle der EEG-Sensorposition ist kein Hinweis auf die Quelle der Aktivität.
Hinweis 2: Zusätzliche Schritte wie die mathematische Rekonstruktion der Quelle müssen durchgeführt werden, um die Quelle der Aktivität auf einem einzelnen Kanal zu bestimmen.
3. Was sind neuronale Oszillationen?
Gehirnwellen, oft als neuronale Oszillationen bezeichnet, sind rhythmische Muster, die von einzelnen Neuronen oder Neuronenclustern erzeugt werden.
Es ist noch nicht ganz klar, warum das Gehirn diese verschiedenen Arten von Oszillationen erzeugt, obwohl es viele Theorien gibt. Forschende verwenden unterschiedliche Aufgaben, um diese oszillatorischen Aktivitäten zu charakterisieren, und versuchen, die Geheimnisse des Gehirns mithilfe dieser rhythmischen Muster zu verstehen.
3.1. Einige Eigenschaften einer Oszillation
Diese Abbildung zeigt eine Messung eines regelmäßigen elektrischen Signals:
Abb. 6 – Räumliche vs. zeitliche Auflösung verschiedener Neuroimaging-Werkzeuge.
Links (y-Achse) können wir die Amplitude der elektrischen Aufzeichnung und auf der horizontalen Achse (x-Achse) die Zeit darstellen. Die Amplitude des Signals variiert in ihrer Stärke in regelmäßiger Weise um einen Mittelpunkt. Ein Zyklus wird auch als Oszillation bezeichnet.
Die Anzahl der Zyklen pro Sekunde wird als Frequenz der Welle bezeichnet und die Einheit ist Hertz (Hz). Also gilt: 1 Zyklus pro Sekunde = 1 Hz. Amplituden werden typischerweise in Mikrovolt (µV) gemessen.
Im Gehirn sehen wir Wellen mit Frequenzen von 0,2 Hz (sehr langsame Wellen) bis 80 Hz oder mehr (sehr schnelle Wellen). Hochfrequente Aktivität bis zu 500 Hz, die mit Anfällen verbunden ist, kann ebenfalls im Gehirn aufgezeichnet werden.
Verschiedene Arten von Gehirnoszillationen werden anhand ihrer Frequenz charakterisiert. Diese sind als Frequenzbänder bekannt und können mit verschiedenen Gehirnzuständen in Verbindung gebracht werden:
Abb. 7 – Gehirnwellen in einem typischen EEG.
3.2. Warum sind verschiedene Frequenzbänder wichtig?
Erkennen normaler vs. abnormaler Gehirnmuster
Neuronale Oszillationen sind wichtig für das Erkennen von Anfällen und die Diagnose von Epilepsie in der Neurologie.Brain-Computer-Interfaces (BCI)
Die Menge an Beta-, Gamma- und Mu-Oszillationen wird oft verwendet, um ferngesteuerte Geräte zu trainieren (z. B. einen Rollstuhl mit Gedanken bewegen).Neurofeedback
Dies ist eine Form des Gehirntrainings, bei der Sie Ihre Gehirnwellen (z. B. Gamma-Oszillationen) ansehen und kognitive Aufgaben durchführen können, um die Menge der Gamma-Oszillationen in Ihrem Gehirn zu verbessern.Neuromarketing
Alpha- und Beta-Frequenzbänder können verwendet werden, um zu bestimmen, welcher Teil einer Werbung mehr oder weniger ansprechend ist.
3.3. Arten der EEG-Datenanalyse
Am häufigsten führen Forschende Analysen entweder im Zeitbereich oder im Frequenzbereich durch.
Analyse im Zeitbereich
Misst typischerweise die Spannungsamplitude zu Zeitpunkten von Interesse nach Beginn eines Reizes. Diese werden ereigniskorrelierte Potenziale (ERPs) genannt.
Analyse im Frequenzbereich
Misst typischerweise das Ausmaß neuronaler Oszillationen in verschiedenen Frequenzbändern in einem definierten Zeitfenster oder bezogen auf den Beginn eines Ereignisses.
Als Nächstes geben wir einen Überblick über die Frequenzbereichsanalyse.
3.4. Verarbeitung
Sobald Sie eine EEG-Aufzeichnung erstellt haben, bereinigen Sie die Daten typischerweise, bevor Sie die Oszillationen interpretieren.
Filterung
Eine Technik zur Entfernung von hoch- und niederfrequentem Umgebungsrauschen in den Daten.Artefaktentfernung
Körperbewegungen und Augenblinzeln können große Artefakte verursachen (> 50 µV Spitzen im EEG). Diese können entfernt werden, damit sie unsere Ergebnisse nicht beeinflussen. Einige Forschende verwenden ausgefeilte Methoden, um diese Artefakte zu korrigieren und die Daten zu erhalten.
Nachdem die Daten verarbeitet wurden, kann das Signal nun in den Frequenzbereich umgewandelt werden, damit wir die Menge jeder Art von Gehirnwellen quantifizieren können.
Abb. 8 – Augenblinzeln-Artefakt im Roh-EEG.
3.5. Schnelle Fourier-Transformation (FFT)
Eine Fourier-Transformation ist die mathematische Umwandlung des EEG-Signals vom „Zeitbereich“ (Bild A) in den „Frequenzbereich“ (Bild B).
Im Frequenzbereich können wir quantifizieren, wie viel von jeder Art von Oszillation in unserer Aufzeichnung enthalten war. Dies ist typischerweise die „Leistung“ des Frequenzbands und kann als Leistungsspektrum (Bild B) dargestellt werden.
Abb. 9A – Rohes EEG im Zeitbereich.
Abb. 9B – Leistungsspektrum nach FFT (Frequenzbereich).
3.6. Bandleistung
Die Leistung eines Frequenzbands (z. B. des Alpha-Bands), die aus einer Fourier-Transformation gewonnen wird, sagt uns, wie viel von jedem Frequenzband vorhanden ist. Die Einheiten der Bandleistung liegen typischerweise bei µV2/Hz. Am häufigsten werden Amplituden- oder Leistungsspektren aus einer FFT in der logarithmischen Einheit Dezibel (dB) dargestellt. Das Dezibel ist eine Verhältniseinheit zwischen einer gemessenen Leistung (P) und einer Referenzleistung (Pr) wie folgt:
Sobald diese Maßeinheit für Ereignisse von Interesse bestimmt wurde, können Bandleistungen verglichen werden, um experimentelle Effekte auf Gehirnwellen zu verstehen.
4. Von der Theorie zur Praxis
Als Nächstes betrachten wir den Alpha-Suppressionseffekt.
Dies ist ein Phänomen, das erstmals von Hans Berger berichtet wurde und bei dem wir eine deutliche Abnahme der Menge an Alpha-Oszillationen (Alpha-Leistung) sehen, wenn die Augen einer Person geöffnet sind im Vergleich zu geschlossen.
Abb. 10 – Eine Zunahme der Alpha-Oszillationen kann beobachtet werden, wenn die Augen geöffnet sind.
Zuerst haben wir mit EmotivPRO Builder ein einfaches Experiment erstellt. In diesem Experiment wird eine teilnehmende Person einfach gebeten, die Augen 2 Minuten lang offen zu halten, während sie auf den Bildschirm fokussiert, und dann 2 Minuten lang zu schließen. Am Ende der 2 Minuten würde sie eine Glocke hören, die das Öffnen der Augen signalisiert.
Sie können dem Video unten folgen, um Ihr eigenes Alpha-Suppression-Experiment zu erstellen, oder Sie können unser Experiment über den Link hier ausführen:
4.1. Geräteanpassung und EEG-Qualität
Lesen Sie hier mehr darüber, wie unser EQ-Gate funktioniert hier. Weitere Informationen zur gerätespezifischen Anpassung Ihres Headsets finden Sie hier:
EPOC-Typ
Insight-Typ
4.2. Verarbeitung und Umwandlung der EEG-Daten
Jetzt, da Sie Ihre Daten haben, können Sie sie mit Emotiv Analyzer in den Frequenzbereich umwandeln. Folgen Sie den Schritten im Video.
4.3. Interpretation der Daten
Sobald Analyzer fertig ist, laden Sie die Zip-Datei herunter. Für jeden Datensatz erhalten Sie eine CSV-Datei mit Bandleistungen und eine Bilddatei, die Sie verwenden können, um Ihre eigene statistische Analyse durchzuführen.
Abb. 11 – Bandleistungen.
In unserer Ausgabe sehen wir den Anstieg der Alpha-Leistung, wenn die Augen geschlossen waren (orange), im Vergleich zu geöffneten Augen (blau).
Dies ist das Ende unseres Tutorials! Sie sind nun mit den Grundlagen ausgestattet 🙂
Sie können einige Links zu weiterführender Lektüre im Abschnitt Ressourcen finden.
5. Ressourcen
WEITERFÜHRENDE LEKTÜRE
Donoghue et al. 2022 Methodische Überlegungen zum Studium neuronaler Oszillationen
GLOSSAR DER EEG-TERMINOLOGIE
Kane et al. 2017 (hier)
OFFENER QUELLCODE
Wenn Sie sich mit Python-Programmierung wohlfühlen, haben wir Python-Skripte bereitgestellt, mit denen Sie Alpha-Leistungswerte erhalten können, gekennzeichnet nach Abschnitten mit geöffneten und geschlossenen Augen. Den Code und Beispiel-Alpha-Suppression-Datendateien finden Sie hier: https://osf.io/9bvgh/
EMOTIV-HANDBÜCHER
EmotivPRO Builder-Handbuch
EmotivPRO-Handbuch
EmotivPRO Analyzer-Handbuch
7. Literaturverzeichnis
Donoghue, T., Schaworonkow, N. und Voytek, B., 2022. Methodische Überlegungen zum Studium neuronaler Oszillationen. European journal of neuroscience, 55(11-12), S.3502-3527. doi: https://doi.org/10.1111/ejn.15361
Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. und van Putten, M.J., 2017. Ein überarbeitetes Glossar der Begriffe, die von klinischen Elektroenzephalografen am häufigsten verwendet werden, sowie ein aktualisierter Vorschlag für das Berichtsformat der EEG-Befunde. Überarbeitung 2017. Clinical neurophysiology practice, 2, S.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Elektroenzephalogramm (EEG) und sein Hintergrund. In: EEG-Signalanalyse und -Klassifikation. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
