Search

In this paper we introduce a novel method for the characterization of synchronziation and coupling effects in multivariate time series that can be used for the analysis of EEG or ECoG signals recorded during epileptic seizures. The method allows to visualize the spatio-temporal evolution of synchronization and coupling effects that are characteristic for epileptic seizures. Similar to other methods proposed for this purpose our method is based on a regression analysis. However, a more general definition of the regression together with an effective channel selection procedure allows to use the method even for time series that are highly correlated, which is commonly the case in EEG/ECoG recordings with large numbers of electrodes. The method was experimentally tested on ECoG recordings of epileptic seizures from patients with temporal lobe epilepsies. A comparision with the results from a independent visual inspection by clinical experts showed an excellent agreement with the patterns obtained with the proposed method., {"references":["R. Kus, M. Kaminski, and K. Blinowska, \"Determination of EEG activity\npropagation: pair-wise versus multichannel estimate,\" Biomedical\nEngineering, IEEE Transactions on, vol. 51, pp. 1501-1510, Sept. 2004.","M. J. Kaminski and K. J. Blinowska, \"A new method of the description\nof the information flow in the brain structures.,\" Biological Cybernetics,\nvol. 65, 1991.","M. Kaminski, M. Ding, W. Truccolo, and S. Bressler, \"Evaluating causal\nrelations in neural systems: Granger causality, directed transfer function\nand statistical assessment of significance,\" Biological Cybernetics,\nvol. 85, 2001.","L. Astolfi, F. Cincotti, D. Mattia, F. de Vico Fallani, S. Salinari,\nM. Ursino, M. Zavaglia, M. Marciani, and F. Babiloni, \"Estimation of the\ncortical connectivity patterns during the intention of limb movements,\"\nEngineering in Medicine and Biology Magazine, IEEE, vol. 25, pp. 32-\n38, July-Aug. 2006.","A. Korzeniewska, M. Manczak, M. Kaminski, K. J. Blinowska, and\nS. Kasicki, \"Determination of information flow direction among brain\nstructures by a modified directed transfer function (dDTF) method,\"\nJournal of Neuroscience Methods, vol. 125, 2003.","L. A. Baccala and K. Sameshima, \"Partial directed coherence: a\nnew concept in neural structure determination,\" Biological Cybernetics,\nvol. 84, 2001.","L. Astolfi, F. Cincotti, D. Mattia, M. Marciani, L. Baccala, F. Fallani,\nS. Salinari, M. Ursino, M. Zavaglia, and F. Babiloni, \"Assessing cortical\nfunctional connectivity by partial directed coherence: simulations and\napplication to real data,\" Biomedical Engineering, IEEE Transactions\non, vol. 53, pp. 1802-1812, Sept. 2006.","E. Möller, B. Schack, M. Arnold, and H. Witte, \"Instantaneous multivariate\neeg coherence analysis by means of adaptive high-dimensional\nautoregressive models,\" Journal of neuroscience methods, vol. 105,\npp. 143-158, 2001.","A. Neumaier and T. Schneider, \"Estimation of parameters and eigenmodes\nof multivariate autoregressive models,\" ACM Trans. Math. Softw.,\nvol. 27, pp. 27-57, 2001.\n[10] K. P. Burnham and D. R. Anderson, Model Selection and Multimodel\nInference: A Practical-Theoretic Approach. Springer-Verlag, 2nd ed.,\n2002.\n[11] H. Yanagihara, \"Corrected version of aic for selecting multivariate\nnormal linear regression models in a general nonnormal case,\" J.\nMultivar. Anal., vol. 97, no. 5, pp. 1070-1089, 2006."]}

Die vorliegende Arbeit soll einen Beitrag zur Erforschung der Verarbeitungsmechanismen des Gehirns leisten. Die Erregung des komplexen Systems "Hirn" liefert Antworten, deren Analyse zu einem besseren Verständnis dieser Informationsverarbeitung führt. Zu diesem Zweck wurde das Gehirn mit unterschiedlichen visuellen Stimuli angeregt und die hirnelektrischen Signale gemessen, die von Nervenzellgruppen (Multiunits) im visuellen Kortex der Katze ausgesandt wurden.Die verwendeten Stimuli waren ein Streifenmuster sowie eine Zufallspunktverteilung, deren Kohärenz beliebig geändert werden konnte. Darüber hinaus wurden die Antworten auf eine Vielzahl von Stimuli analysiert, die nur aufgrund des Bewegungskontrastes zwischen punktdefiniertem Objekt und Hintergrund zu erkennen sind (Shape-from-Motion- (SFM-) Stimuli). Die aufgenommenen Daten wurden mit Hilfe einer umfangreichen Signalanalyse untersucht. So wurden in Abhängigkeit von der Stimulusbedingung die Anzahl der Nervenimpulse pro Zeiteinheit (Feuerraten), Synchronisation, Frequenzverteilung sowie Kopplung von Aktionspotenzialen und LFPDaten analysiert. Die Experimente im ersten Teil dieser Arbeit untersuchten den Einfluss von Kohärenz auf die Verarbeitung von Bewegungsinformation im primären visuellen Areal (A17) und im posteromedialen lateralen suprasylvischen Sulcus (Area PMLS) der Katze. Es konnte gezeigt werden, dass Multiunits in A17 und PMLS sowohl auf Streifenmuster als auch auf Zufallspunktverteilungen antworten und dass die Stärke der Antwort als eine Funktion der Stimulusrichtung variiert. Die Vorzugsrichtung ist in beiden Arealen weitgehend unabhängig von der Art des verwendeten Stimulus, was darauf hindeutet, dass die Stimulusrichtung für Streifenmuster und Zufallspunktmuster in diesen Arealen durch einen einheitlichen Mechanismus bestimmt wird. Bei einer Abnahme der Stimuluskohärenz zeigen die Multiunits eine Abnahme der Feuerrate, wobei im Vergleich zu PMLS in A17 eine stärkere Abnahme der Kohärenz nötig ist, um die gleiche Abnahme der Feuerrate zu erreichen. Dieses Ergebnis konnte durch die unterschiedlichen Größen der rezeptiven Felder der beiden Areale erklärt werden und ist ein weiterer Hinweis darauf, dass eine wichtige Funktion von PMLS in der Analyse von Bewegung und räumlich verteilter Information liegt. Da beide Areale keine signifikante Änderungen der Feuerrate bei Inkohärenzniveaus von mehr als 50% zeigten, scheinen sie nicht in der Lage zu sein, die Bewegungsrichtung eines inkohärenten Zufallspunktmusters nahe der psychophysischen Detektionsschwelle von 95% auf der Basis von Feuerraten zu erkennen. Die Korrelation der Aktionspotenziale unterschiedlicher Multiunits zeigte bereits bei einer geringen Abnahme der Stimuluskohärenz eine monotone Verbreiterung des zentralen Maximums in den Korrelogrammen beider Areale. Die Stärke der Synchronisation hingegen war kaum beeinflusst. Darüberhinaus kam es zu einer Verschiebung der Leistung im lokalen Feldpotential (LFP) von hohen hin zu niedrigen Frequenzbereichen. Diese Verschiebung wurde auch für die Kopplung zwischen LFP und Akvi tionspotenzialen nachgewiesen. Diese Resultate unterstützen die Theorie, dass präzise Synchronisation und hochfrequente Oszillationen ein Mechanismus für die Bindung kohärenter Objekte sind. Sie zeigen darüber hinaus, dass Synchronisation auch nicht kohärente Stimuli binden kann und dass die Verschiebung im LFP hin zu niedrigeren Frequenzen wichtig für die Integration verteilter Information über einen größeren visuellen Raum sein kann. Da bei hohen Inkohärenzniveaus keine präzise Synchronisation mehr nachgewiesen werden konnte, kann jedoch auch die Synchronisation nicht als alleiniger Mechanismus zum Erkennen einer Bewegungsrichtung eines inkohärenten Zufallspunktmusters herangezogen werden. In den Experimenten im zweiten Teil dieser Arbeit wurde untersucht, wie das Gehirn SFM-Stimuli verarbeitet. Die Auswertungen der Feuerraten haben gezeigt, dass Multiunits in PMLS sowohl auf helligkeitsdefinierte Kontrastbalken als auch auf SFM-Balken reagieren. Die Stärke der Antwort hängt von der Kombination von Stimulus und Hintergrund und von der relativen Bewegungsrichtung zueinander ab. Während ähnliche Feuerraten für Balken mit hohem Kontrast relativ zum Hintergrund und für punktdefinierte Balken gefunden wurde, die sich über einen dunklen Hintergrund bewegten, führte ein statischer Zufallspunkthintergrund zu einer starken Abnahme der von dem SFM-Balken hervorgerufenen Antwort. Ein in die Gegenrichtung bewegter Hintergrund sowie ein reduziertes Kohärenzniveau des Zufallspunkthintergrundes führten dazu, dass die Multiunits auf den SFM- Balken nicht mehr mit einer Zunahme der Feuerraten reagierten. Um die hemmende Wirkung des Hintergrundes aufzuheben, musste der Hintergrund auf einer Fläche des visuellen Feldes, die der Größe des rezeptiven Feldes entsprach, abgedeckt werden. Dieses Ergebnis zeigt, dass die Feuerraten für diese Art Stimulus nicht wesentlich von Arealen außerhalb des rezeptiven Feldes beeinflusst werden. Zur weiteren Analyse der Fähigkeit von PMLS, SFM-Balken nur aufgrund des Bewegungskontrastes zwischen punktdefiniertem Objekt und Hintergrund zu erkennen, wurde mit Hilfe von zwei Tuningkurven-Stimuli, bei denen sich die Bewegungsrichtung der Punkte innerhalb des Balkens um 90° unterschied, die Vorzugsrichtung der Multiunits bestimmt. Die Auswertung ergab, dass sich die gemessene Vorzugsrichtung der Multiunit um 45° drehte, obwohl sich die Bewegungsrichtung des Balkens selbst nicht änderte. Darüber hinaus wurden verschiedene SFM-Stimuli untersucht, die alle dieselbe Bewegungsrichtung des Balkens, jedoch unterschiedliche Bewegungsrichtungen der Punkte innerhalb des Balkens aufwiesen. Wenn PMLS die Bewegung des SFM-Objekts statt der Bewegung der einzelnen Punkte verarbeitet, sollte die Feuerrate für alle diese Bedingungen identisch sein. Die Ergebnisse zeigen jedoch, dass sich die durch die verschiedenen SFM-Stimuli hervorgerufenen Feuerraten verringerten, je weiter sich die Punkte, die den Balken bildeten, von der Bewegungsrichtung des Balkens – und damit von der Vorzugsrichtung der Multiunit – weg bewegten. Durch dieses Ergebnis konnte gezeigt werden, dass Multiunits in PMLS nicht in der Lage sind, die Richtung von kinetisch definierten Balken zu analysieren und statt dessen nur die Bewegung der einzelnen Komponenten erfassen.