Die Mismatch Negativity, abgekürzt als MMN, ist eine ereigniskorrelierte Potentialkomponente, die aus Elektroenzephalogramm-Aufzeichnungen (EEG) abgeleitet wird. Im Gegensatz zu vielen evozierten Potentialen, die aktive Aufmerksamkeit erfordern, entsteht die MMN automatisch, wenn ein seltener „abweichender“ Ton eine Abfolge von wiederholten „Standard“-Tönen unterbricht. Diese automatische Eigenschaft macht sie als klinisches und Forschungsinstrument besonders wertvoll, da sie die Störvariable ausschließt, ob ein Patient während der Untersuchung kooperiert oder konzentriert bleibt.
Was ist die Mismatch Negativity?
Die Mismatch Negativity (MMN) ist eine Komponente ereigniskorrelierter Potenziale, die mittels Elektroenzephalogramm (EEG) aufgezeichnet wird und die automatische, präattentive Erkennung von auditiven Veränderungen im Gehirn widerspiegelt. Diese automatische Reaktion wird typischerweise durch die Präsentation einer Sequenz identischer Standardtöne hervorgerufen, gefolgt von einem seltenen „Abweichlerton“ (Deviant), der sich in Frequenz, Dauer oder anderen akustischen Merkmalen unterscheidet.
Das Gehirn erkennt diese Abweichung und erzeugt eine negativ gerichtete Spannungsänderung, die etwa 100 bis 200 Millisekunden nach der Veränderung ihren Höhepunkt erreicht. Diese charakteristische Wellenform, die am prominentesten über frontalen und zentralen Kopfhautelektroden aufgezeichnet wird, dient als primärer Indikator für die Mismatch Negativity.
Zwei Eigenschaften unterscheiden die MMN von anderen Hirnantworten:
Erstens ist sie automatisch. Eine Person kann ein Buch lesen, einen Stummfilm ansehen oder die Geräusche völlig ignorieren, und die MMN tritt dennoch auf.
Zweitens ist sie präattentiv. Das Gehirn führt den Vergleich zwischen dem abweichenden Ton und der Gedächtnisspur der Standardtöne durch, noch bevor die Aufmerksamkeit überhaupt einsetzt.
Diese Eigenschaften machen die MMN zu einem Index für die grundlegende Fähigkeit des Gehirns, Veränderungen unabhängig von höheren kognitiven Prozessen zu erkennen, die bei verschiedenen Personen beeinträchtigt oder variabel sein können.
Das magnetische Gegenstück der MMN, das mittels Magnetoenzephalographie aufgezeichnet und als MMNm abgekürzt wird, repräsentiert denselben zugrunde liegenden auditiven Veränderungserkennungsprozess. Da die MEG eine andere räumliche Empfindlichkeit als das EEG bietet, hilft die Kombination beider Aufzeichnungsmethoden Forschern, die Beiträge verschiedener Hirnregionen voneinander abzugrenzen. Die MMNm lokalisiert sich im auditiven Kortex und den umgebenden Temporallappenstrukturen, was bestätigt, dass die Reaktion in sensorischen Verarbeitungsbereichen und nicht in höheren assoziativen Regionen entsteht.
Wie das Gehirn die Mismatch Negativity erzeugt
Die MMN-Generierung wird durch komplexe, dynamische neuronale Mechanismen im auditiven Kortex gesteuert, die Forscher mithilfe hochentwickelter neurocomputationaler Modelle aktiv untersuchen. Obwohl es keinen einzelnen Konsens auf zellulärer Ebene darüber gibt, was genau passiert, wenn ein abweichender Ton diese Reaktion auslöst, haben zwei Haupthypothesen Jahrzehnte wissenschaftlicher Forschung geprägt: die Adaptationshypothese und die Modellanpassungshypothese.
Die Adaptationshypothese besagt, dass Neuronen im auditiven Kortex auf wiederholte Standardtöne reagieren, indem sie ihre Feuerraten allmählich reduzieren – ein Prozess, der als stimulus-spezifische Adaptation bekannt ist. Wenn ein seltener Abweichler präsentiert wird, aktiviert er eine separate, frische Population von nicht-adaptierten Neuronen. Nach dieser Ansicht ist die MMN im Wesentlichen eine differenzielle Reaktion zwischen adaptierten und nicht-adaptierten neuronalen Populationen.
Umgekehrt schlägt die Modellanpassungshypothese einen aktiven kognitiven Mechanismus anstelle einer passiven neuronalen Ermüdung vor. Sie postuliert, dass das Gehirn kontinuierlich ein prädiktives internes Modell seiner auditiven Umgebung aufbaut. Wenn sich Standardtöne wiederholen, verstärken sie diese Erwartung; tritt ein abweichender Ton auf, verletzt dies die Erwartung und zwingt das Gehirn, seine interne Repräsentation zu aktualisieren. Die MMN-Wellenform spiegelt somit diesen aktiven Modellaktualisierungsprozess wider.
Das Predictive-Coding-Framework und Spiking-Neuron-Modelle
Um diese konkurrierenden Erklärungen miteinander in Einklang zu bringen, greifen Forscher zunehmend auf das Predictive Coding als vereinheitlichenden Rahmen zurück. Predictive Coding versteht das Gehirn als eine aktive Vorhersagemaschine, die sensorische Inputs antizipiert, um Informationen effizienter zu verarbeiten.
Der auditive Kortex lernt statistische Regelmäßigkeiten aus vorangegangenen Tönen, um Vorhersagen zu generieren. Wenn eingehende Reize mit diesen Erwartungen übereinstimmen, verläuft die Verarbeitung reibungslos; weicht ein Ton ab, breitet sich ein Vorhersagefehler durch die kortikale Hierarchie aus. Infolgedessen ist die MMN die elektrophysiologische Signatur eines Vorhersagefehlersignals.
Ein detailliertes, biologisch plausibles Spiking-Neuron-Modell des auditiven Kortex stützt diesen theoretischen Rahmen. Dieses Modell strukturiert exzitatorische und inhibitorische Neuronen in eine geschichtete kortikale Architektur, die verschiedene funktionelle Verarbeitungseinheiten enthält:
Input-Einheiten, die rohe sensorische Daten empfangen.
Vorhersage-Einheiten, die gelernte Umwelt-Erwartungen repräsentieren.
Vorhersagefehler-Einheiten, die Abweichungen signalisieren, wenn Inputs und Vorhersagen in Konflikt geraten.
Durch die Integration einer synaptischen Lernregel, die von der NMDA-Rezeptor-Übertragung abhängt, passt dieses Netzwerk seine Vorhersagen dynamisch an die Übergangsstatistiken der jüngsten Töne an.
Dieses Computermodell erklärt erfolgreich mehrere wichtige, empirisch beobachtete MMN-Merkmale:
Frequenzabhängige Skalierung: Die MMN-Amplitude steigt proportional dazu an, wie stark sich der abweichende Ton vom Standardton unterscheidet.
Sensitivität für lokale Muster: Das Modell reproduziert Reaktionen auf unerwartete Wiederholungen in alternierenden Sequenzen (z. B. die Registrierung eines Vorhersagefehlers, wenn sich eine alternierende ABABAB-Sequenz plötzlich in ABABAA ändert), was eine Abhängigkeit von lokalen Übergangswahrscheinlichkeiten anstelle von globalen statistischen Regeln widerspiegelt.
Omissions-Reaktionen: Das Modell erzeugt einen Vorhersagefehler, selbst wenn ein erwarteter Ton vollständig weggelassen wird.
Pharmakologische Sensitivität: Das Modell reagiert hochsensibel auf NMDA-Rezeptor-Antagonisten, was mit klinischen Studien übereinstimmt, die zeigen, dass die Blockade dieser Rezeptoren die MMN-Amplitude reduziert oder eliminiert.
Darüber hinaus validierte ein komplementäres Magnetoenzephalographie-Experiment (MEG) diese Modellbehauptungen und zeigte, dass MMN-Reaktionen auf aktiven kortikalen Vorhersagen und nicht auf einfacher synaptischer Gewöhnung beruhen, was eine starke empirische Unterstützung für den Predictive-Coding-Ansatz darstellt.
Generative Modelle und Bayes-Inferenz in der auditiven Verarbeitung
Ein weiteres prominentes neurocomputationales Modell nähert sich dem auditiven Kortex durch die Brille der Bayes-Inferenz. Dieses neurowissenschaftliche Framework modelliert das Gehirn so, dass es kontinuierlich eine probabilistische, generative Repräsentation der sensorischen Welt unter Verwendung generalisierter Bayes-Filterung aktualisiert.
In diesem System repräsentiert die MMN die kollektive elektrische Aktivität, die von Vorhersagefehler-Neuronen erzeugt wird, während sie Inferenz auf den verborgenen Zuständen hierarchischer Dynamiken durchführen. Dieser Bayes-Ansatz liefert hochgradig realistische MMN-Wellenformen, die empirische Daten widerspiegeln und präzise erfassen, wie die Wahrscheinlichkeit und das Ausmaß der Abweichung die Reaktion prägen:
Je wahrscheinlicher ein abweichender Ton wird, desto geringer ist die Erwartungsverletzung, was die MMN-Amplitude verringert.
Je weniger sich der Abweichler akustisch von den Standards unterscheidet, desto größer wird die Latenz der MMN-Reaktion, während ihre Amplitude sinkt.
Zusammenfassend konvergieren sowohl Predictive Coding als auch Bayes-Modelle in derselben grundlegenden Wahrheit: Die MMN ist die elektrische Signatur eines Gehirns, das seine auditive Umgebung aktiv vorhersagt und signalisiert, wenn die sensorische Realität mit internen Erwartungen in Konflikt gerät.
Hypothese | Mechanismus | Kernidee |
|---|---|---|
Adaptation | Neuronen ermüden durch wiederholte Töne | Differenzielle Reaktion zwischen adaptierten Populationen |
Modellanpassung | Gehirn aktualisiert aktiv das interne Modell | MMN spiegelt Erwartungsverletzung wider |
Predictive Coding | Gehirn sagt bevorstehenden sensorischen Input voraus | MMN signalisiert Vorhersagefehler |
Die MMN als Biomarker bei Schizophrenie
Seit den frühen 1990er Jahren dokumentieren Studien eine reduzierte MMN-Amplitude bei Patienten mit Schizophrenie im Vergleich zu gesunden Kontrollpersonen. Diese Abschwächung erweist sich als robust und systematisch und zeigt sich über Labore, Aufzeichnungsprotokolle und Patientenpopulationen hinweg.
Ein konventionelles auditives Oddball-Paradigma offenbart bei Schizophrenie-Patienten signifikante Defizite sowohl bei der dauer- als auch bei der frequenzabweichenden MMN. Diese Beeinträchtigung ist so zuverlässig, dass die MMN weithin als klinischer Biomarker vorgeschlagen wird – ein objektives, physiologisches Maß, das in der Lage ist, das Fortschreiten der Krankheit anzuzeigen und die therapeutische Wirksamkeit zu testen.
Verschiedene akustische Abweichungen spiegeln unterschiedliche Dimensionen der Pathologie wider:
Frequenzabweichende MMN: Die Amplitudenreduktion verschlimmert sich mit fortschreitender Erkrankung und korreliert eng mit der Krankheitsdauer sowie dem kognitiven und funktionellen Abbau. Dies macht die frequenzabweichende MMN zu einem wertvollen Marker für das Fortschreiten der Krankheit.
Dauerabweichende MMN: Defizite in diesem Bereich folgen einem anderen Verlauf und sind stärker mit genetischer Vulnerabilität verknüpft, was als Trait-Marker dient, der über die Zeit relativ stabil bleibt.
Darüber hinaus sind die verschiedenen neuronalen Generatoren, die zur MMN beitragen, bei Schizophrenie unterschiedlich betroffen:
Generatoren im Temporallappen: Beeinträchtigungen hier sind mit Defiziten in der grundlegenden auditiven Wahrnehmung und Diskrimination verknüpft, was zu Positivsymptomen wie akustischen Halluzinationen beitragen kann.
Generatoren im Frontallappen: Eine reduzierte Aktivität im frontalen Kortex ist mit einer beeinträchtigten Aufmerksamkeitsumstellung verbunden, was mit Negativsymptomen wie sozialem Rückzug und verflachtem Affekt korreliert.
Neuronale Adaptation vs. Abweichungserkennung bei Schizophrenie
Eine entscheidende Frage ist, ob das MMN-Defizit bei Schizophrenie auf einem Versagen der sensorischen Adaptation oder einem Versagen der aktiven Abweichungserkennung beruht. In einem Standard-Oddball-Paradigma sind diese beiden Prozesse miteinander vermischt, da die Reaktion des Gehirns auf den abweichenden Ton sowohl davon abhängt, wie es sich an den wiederholten Standard anpasst, als auch davon, wie es die neuartige Veränderung erkennt.
Um diese Mechanismen zu isolieren, nutzten Koshiyama et al. ein Many-Standards-Kontrollparadigma. In diesem Design werden mehrere Töne unterschiedlicher Frequenzen mit gleicher Wahrscheinlichkeit präsentiert, sodass sich kein einzelner Ton so oft wiederholt, dass eine Adaptation ausgelöst wird. Der abweichende Ton wird dann mit diesem variierten Hintergrund verglichen, wodurch die Abweichungserkennung von Adaptationsffekten isoliert wird.
Als Patienten mit Schizophrenie mit beiden Paradigmen untersucht wurden, zeigten die Ergebnisse eine selektive Beeinträchtigung der Abweichungserkennung. Während ihre neuronale Adaptation an wiederholte Töne völlig intakt blieb, war ihre Fähigkeit, akustische Veränderungen zu erkennen und als Reaktion auf eine veränderte Umgebung einen Vorhersagefehler zu generieren, signifikant beeinträchtigt.
Methodische Best Practices zur Hervorrufung der Mismatch Negativity
Das Kernprinzip für die Aufzeichnung einer sauberen, interpretierbaren MMN besteht darin, eine auditive Regelmäßigkeit (einen sich wiederholenden Standardton) zu präsentieren und diese Regelmäßigkeit gelegentlich durch einen seltenen abweichenden Ton zu verletzen. Wie diese Verletzung konstruiert ist, bestimmt, welcher Aspekt der neuronalen Verarbeitung untersucht werden kann.
1. Kernprinzipien: Standard-Oddball-Paradigma
Das Standard-Oddball-Paradigma basiert auf drei zentralen Stimulusparametern, die die resultierende MMN-Reaktion systematisch prägen:
Abweichlertyp: Abweichler können sich von Standards in verschiedenen akustischen Dimensionen unterscheiden, wie z. B. in der Frequenz oder Dauer. Die Einbeziehung von frequenz- und dauerabweichenden Reizen ist in der klinischen Forschung oft erforderlich, da sie unterschiedliche Dimensionen der neuronalen Pathologie und des Krankheitsverlaufs widerspiegeln.
Abweichlerwahrscheinlichkeit: Abweichler mit geringerer Wahrscheinlichkeit erzeugen größere MMN-Amplituden, da sie einen unerwarteteren Bruch mit der Umweltregelmäßigkeit darstellen.
Abweichlerausmaß: Größere akustische Unterschiede zwischen Standard- und abweichenden Tönen rufen größere MMN-Amplituden und kürzere Reaktionslatenzen hervor.
2. Unterscheidung von Prozessen: Oddball- vs. Many-Standards-Paradigma
Ein Single-Standard-Oddball-Paradigma vermischt von Natur aus zwei separate neuronale Prozesse: die passive Adaptation an den sich wiederholenden Standard und die aktive Erkennung des Abweichlers.
Um die Abweichungserkennung zu isolieren, verwenden Forscher das Many-Standards-Paradigma. Durch die Präsentation einer großen Vielfalt an Tonfrequenzen mit gleichen Wahrscheinlichkeiten wird die Adaptation gleichmäßig über das Stimulus-Set verteilt.
Der Vergleich von Oddball- und Many-Standards-Paradigmen innerhalb desselben Experiments hilft Forschern festzustellen, ob eine MMN-Anomalie auf eine beeinträchtigte Adaptation, eine beeinträchtigte Abweichungserkennung oder eine Kombination aus beiden zurückzuführen ist.
3. Überprüfung aktiver Vorhersagen: Jenseits des Standard-Oddballs
Die Überprüfung von Predictive-Coding-Ansätzen erfordert Designs, die über einfache physikalische Merkmalsänderungen hinausgehen:
Musterverletzungen: Das Präsentieren von sich wiederholenden Mustern (z. B. ABABAB) etabliert die Vorhersage eines Wechsels. Eine unerwartete Wiederholung (z. B. ABABAA) löst eine MMN aus, was die Erkennung komplexer struktureller Regeln demonstriert.
Auslassungsparadigmen (Omission Paradigms): Wenn ein vorhersehbarer Ton in einer rhythmischen Sequenz vollständig weggelassen wird, erzeugt das Gehirn dennoch ein Vorhersagefehlersignal. Dies beweist, dass die MMN eine aktive Erwartung und nicht bloße sensorische Gewöhnung widerspiegelt.
4. Quellenlokalisierung: EEG vs. MEG
Während das Standard-EEG robuste Oberflächenaufzeichnungen liefert, erfordert die genaue Lokalisierung der spezifischen neuronalen Generatoren der MMN oft ein MEG. Das MEG zeichnet das magnetische Gegenstück (MMNm) auf und bietet eine überlegene räumliche Auflösung, um die Beiträge von Generatoren im Temporallappen (sensorische Diskrimination) und im Frontallappen (Aufmerksamkeitsumstellung) voneinander abzugrenzen.
Fazit
Die Mismatch Negativity ist eine automatische, präattentive Reaktion des Gehirns auf auditive Veränderungen. Sie entsteht, wenn ein Ton eine durch vorhergehende Reize etablierte Regelmäßigkeit verletzt, und dient als Index für das sensorische Gedächtnis und die Wahrnehmungsgenauigkeit des Gehirns. Jahrzehntelange Forschung hat sie als zuverlässiges elektrophysiologisches Phänomen mit gut charakterisierten Eigenschaften etabliert.
Zwei Haupthypothesen standen in Konkurrenz, um die der MMN zugrunde liegenden neuronalen Mechanismen zu erklären. Die Adaptationshypothese führt sie auf eine differenzielle neuronale Ermüdung zurück, während die Modellanpassungshypothese eine aktive Aktualisierung interner Repräsentationen postuliert. Predictive Coding hat sich als vereinheitlichender Rahmen etabliert, der ein breites Spektrum empirischer Merkmale erklärt. Detaillierte Computermodelle, die auf Predictive-Coding-Prinzipien basieren, reproduzieren die Sensitivität der MMN für Abweichlerwahrscheinlichkeit, Abweichlerausmaß, unerwartete Wiederholungen, Tonauslassungen und NMDA-Rezeptor-Antagonisten. MEG-Experimente stützen ebenfalls die Kernbehauptung, dass die MMN aktive kortikale Vorhersagen und nicht passive Habituation widerspiegelt.
Bei Schizophrenie ist eine reduzierte MMN-Amplitude ein robuster und systematischer Befund. Die frequenzabweichende MMN bildet das Fortschreiten der Krankheit und den kognitiven Abbau ab, während die dauerabweichende MMN als Index für genetische Vulnerabilität dienen kann. Das Defizit scheint spezifisch für die Abweichungserkennung zu sein, während die neuronale Adaptation intakt bleibt. Diese Spezifität zielt darauf ab, ein klares Ziel für die Therapieentwicklung zu identifizieren, und die speziesübergreifende Übertragbarkeit der MMN soll sie zu einem praktischen Biomarker für präklinische Medikamententests machen.
Die Aufzeichnung aussagekräftiger MMN-Daten erfordert eine sorgfältige Methodik. Abweichlertyp, -wahrscheinlichkeit und -ausmaß müssen unter bewusster Berücksichtigung der Berechnungsprinzipien ausgewählt werden, die die Reaktion steuern. Das Many-Standards-Paradigma sollte das konventionelle Oddball-Paradigma ergänzen, wenn eine Trennung von Adaptation und Abweichungserkennung erforderlich ist. Unkonventionelle Designs mit unerwarteten Wiederholungen oder Tonauslassungen können spezifische Vorhersagen des Predictive-Coding-Frameworks testen. Wenn es auf die Quellenlokalisierung ankommt, ergänzt die MEG-Aufzeichnung der MMNm das EEG. Diese methodischen Überlegungen stellen sicher, dass die MMN weiterhin als präzises Werkzeug sowohl für die Grundlagenneurowissenschaft als auch für die klinische Translation dient.
Literatur
Garrido, M. I., Kilner, J. M., Stephan, K. E., & Friston, K. J. (2009). The mismatch negativity: a review of underlying mechanisms. Clinical neurophysiology, 120(3), 453-463. https://doi.org/10.1016/j.clinph.2008.11.029
Wacongne, C., Changeux, J. P., & Dehaene, S. (2012). A neuronal model of predictive coding accounting for the mismatch negativity. The Journal of neuroscience, 32(11), 3665-3678. https://doi.org/10.1523/JNEUROSCI.5003-11.2012
Lieder, F., Stephan, K. E., Daunizeau, J., Garrido, M. I., & Friston, K. J. (2013). A neurocomputational model of the mismatch negativity. PLoS computational biology, 9(11), e1003288. https://doi.org/10.1371/journal.pcbi.1003288
Näätänen, R., & Kähkönen, S. (2009). Central auditory dysfunction in schizophrenia as revealed by the mismatch negativity (MMN) and its magnetic equivalent MMNm: a review. International Journal of Neuropsychopharmacology, 12(1), 125-135. https://doi.org/10.1017/S1461145708009322
Koshiyama, D., Kirihara, K., Tada, M., Nagai, T., Fujioka, M., Usui, K., ... & Kasai, K. (2020). Reduced auditory mismatch negativity reflects impaired deviance detection in schizophrenia. Schizophrenia bulletin, 46(4), 937-946. https://doi.org/10.1093/schbul/sbaa006
Häufig gestellte Fragen
Was ist die Mismatch Negativity (MMN)?
Die Mismatch Negativity (MMN) ist ein elektrisches Gehirnsignal, das mittels EEG aufgezeichnet wird und auftritt, wenn ein seltener „abweichender“ Ton ein Muster sich wiederholender „Standard“-Töne durchbricht. Sie spiegelt die automatische Fähigkeit des Gehirns wider, Veränderungen zu erkennen, und wird selbst dann erzeugt, wenn eine Person den Tönen keine Aufmerksamkeit schenkt.
Warum gilt die MMN als automatisch und präattentiv?
Die MMN ist automatisch, weil sie auch dann auftritt, wenn eine Person liest, einen Film ansieht oder die Töne aktiv ignoriert. Sie ist präattentiv, weil das Gehirn den abweichenden Ton mit der Gedächtnisspur der Standardtöne vergleicht, bevor die bewusste Aufmerksamkeit überhaupt einsetzt.
Welches sind die beiden Haupthypothesen darüber, wie das Gehirn die MMN erzeugt?
Die Adaptationshypothese besagt, dass wiederholte Standardtöne dazu führen, dass Neuronen ihre Feuerrate verringern, sodass ein seltener abweichender Ton „frische“ Neuronen aktiviert, die eine größere Reaktion hervorrufen. Die Modellanpassungshypothese besagt, dass das Gehirn aktiv ein internes Modell der auditiven Umgebung aufbaut und die MMN den Prozess der Aktualisierung dieses Modells widerspiegelt, wenn ein Abweichler die Erwartungen verletzt.
Wie erklärt Predictive Coding die MMN?
Predictive Coding ist ein vereinheitlichender Rahmen, der das Gehirn so versteht, dass es bevorstehende Töne basierend auf gelernten Regelmäßigkeiten aktiv vorhersagt. Wenn der tatsächliche Input von der Vorhersage abweicht, wird ein Vorhersagefehlersignal erzeugt, und die MMN wird als elektrophysiologisches Manifest dieses Vorhersagefehlers verstanden.
Was ist das Many-Standards-Paradigma und warum wird es verwendet?
Das Many-Standards-Paradigma präsentiert viele verschiedene Töne mit gleicher Wahrscheinlichkeit, sodass sich kein einzelner Ton so oft wiederholt, dass eine neuronale Adaptation verursacht wird. Dies ermöglicht es Forschern, die Abweichungserkennung von Adaptationseffekten zu isolieren, welche in einem konventionellen Oddball-Paradigma miteinander vermischt sind.
Was ist die MMNm und wie unterscheidet sie sich von der MMN?
Die MMNm ist das magnetische Gegenstück der MMN, das mit Magnetoenzephalographie (MEG) statt mit dem EEG aufgezeichnet wird. Sie bietet eine bessere räumliche Auflösung, um die Beiträge verschiedener Hirnregionen, wie z. B. Generatoren im Temporal- und Frontallappen, voneinander abzugrenzen.
Welche Faktoren sollten bei der Planung eines MMN-Experiments berücksichtigt werden?
Forscher müssen Abweichlertyp, -wahrscheinlichkeit und -ausmaß bewusst auswählen, da diese Parameter die MMN-Reaktion systematisch prägen. Abweichler mit geringerer Wahrscheinlichkeit und größerem Ausmaß erzeugen größere Amplituden, und die Verwendung sowohl frequenz- als auch dauerabweichender Reize ist für klinische Studien unerlässlich. Das Many-Standards-Paradigma sollte das konventionelle Oddball-Paradigma begleiten, wenn eine Trennung von Adaptation und Abweichungserkennung erforderlich ist.
Emotiv ist ein führender Anbieter von Neurotechnologie, der die neurowissenschaftliche Forschung mit zugänglichen EEG- und Gehirndaten-Tools vorantreibt.
Medizinischer Haftungsausschluss: Die auf dieser Website bereitgestellten Informationen dienen ausschließlich Bildungs- und Informationszwecken und sind nicht als medizinische oder gesundheitliche Beratung gedacht. Dieser Inhalt kann Fehler enthalten und sollte nicht als Grundlage für lebensverändernde gesundheitliche, medizinische oder Lebensstilentscheidungen herangezogen werden. Wenden Sie sich bei Fragen zu einer Erkrankung oder Behandlung immer an Ihren Arzt oder einen anderen qualifizierten Gesundheitsdienstleister.
Christian Burgos
