Otto-von-Guericke-Universität Magdeburg

 
 
 
 
 
 
 
 

Leibniz Institut für Neurobiologie

Unser Kooperationspartner, das Leibniz Institut für Neurobiologie, bietet Softwareprojekte, Praktika, Labrotations und Bachelorarbeiten an. Eine Auswahl an möglichen Betätigungsfeldern im Bereich der nicht-invasiven Bildgebung ist hier zusammengefasst.

Funktionelle Magnetresonanztomographie (fMRT)

Betreuer: André Brechmann (Kontakt)

Lernunterstützung in Mensch-Maschine-Interaktionen

Im Rahmen des Transregio-Sonderforschungsbereichs 62 „Companion Technologie für kognitive technische Systeme“ haben wir gezeigt, dass motivierende (lobend, tadelnde) Kommentare von technischen Systemen zu verbessertem Lernen führen (Abb. links) und möglicherweise auch bei der Optimierung einer anfänglich gewählten, unvorteilhaften Lösungsstrategie nutzen lassen. Ziel des Projektes ist es, den Einflusses solcher lernunterstützender Maßnahmen auf die Hirnaktivität von Probanden mittels fMRT zu charakterisieren (abb. Rechts) und im Zusammenhang mit Leistungsänderungen bei kognitiven Aufgaben mit notwendigen Strategieanpassungen zu interpretieren.

Bei dieser Problemstellung kommen Registrierungs-/Segmentierungsverfahren und Clusteralgorithmen zur exakten Lokalisation beteiligter Hirnareale bei zum Einsatz. Durch Zeitreihenanalysen der fMRI-Daten können Zusammenhänge mit verschiedenen Lernphasen aufgedeckt werden und mit Verhaltensdaten (Trefferraten, Reaktionszeiten, psychobiologische Parameter) abgeglichen werden. Die daraus resultierenden Daten sollen wiederum als Grundlage für eine mathematische Modellierung von Lernkurven genutzt werden, die in zukünftige „intelligente“ Tutorielle Systeme integriert werden könnten.

Registrierung anatomischer MR-Daten

Ziel des Projektes ist es, anatomische MR-Daten einzelner Probanden aus verschiedenen Sitzungen zu registrieren, um die Hirnanatomie mit einer größeren Genauigkeit darzustellen. Es liegen Datensätze einzelner Probanden im dicom und vmr-Format vor, die jeweils eine Auflösung von 1mm (isotrop) haben. Diese sollen durch Matrixduplikation auf 0,25 mm erhöht werden und koregistriert werden. Dafür ist unter Umständen eine Scull-Stripping Methode (z.B. von FSL) zu verwenden. Das Resultat soll als vmr-Format (BrainVoyager) abgespeichert werden.

Segmentierung anatomischer MR-Daten

Ziel des Projektes ist es, die Graue Substanz des Kortex in anatomischen MR-Daten einzelner Probanden mit verschiedenen Ansätzen (z.B. Freesurfer als derzeit bestes Verfahren) zu segmentieren und durch Kombination der Ergebnisse ein möglichst robustes Ergebnis zu erzielen. Dafür liegen von jedem Probanden mehrere Datensätze in unterschiedlicher Auflösung im dicom-Format vor.

Korrelation funktioneller Daten mit Kopfbewegungsvektoren

Ziel des Projektes ist es, Voxel in funktionellen MR Daten zu markieren, deren Zeitverlauf signifikant mit den Kopfbewegungen Translation und Rotation in x, y und z-Richtung x, y, z korrelieren. Es liegen koregistrierte anatomische und funktionelle Daten im vmr bzw. vtc-Format (BrainVoyager) und die Parameter der Kopfbewegung als rtc-Format vor. Der Zeitverlauf jedes funktionellen Voxels soll mit allen Bewegungsvektoren linear korreliert werden. Überschreitet ein Korrelationskoeffizient einen flexibel definierten Wert, soll die Koordinate in einer VOI-Datei an entsprechender Stelle nach dem vorgegebenen Schema (Beispiel.voi) eingetragen werden.

Analyse der Individualität in der Dynamik von Lernverhalten

In Kooperation mit Prof. Myra Spiliopoulou (KMD-FIN) werden IT-Softwareprojekte, sowie Praxissemester mit integrierter Bachelorarbeit zur Analyse des Lernverhaltens von menschlichen ProbandInnen durchgeführt. In Serien von Experimenten wird beobachtet, wie ProbandInnen ein Konzept lernen - oder auch nicht.

Wir nutzen Data Mining Verfahren, um das Verhalten und die Hirnaktivierung der ProbandInnen während des Experiments zu analysieren, um dadurch Einsichten über den Prozess des Lernens im menschlichen Gehirn zu gewinnen. Unter anderem untersuchen wir folgende Fragestellungen:

MEG und EEG

Ansprechpartner: Reinhard König (Kontakt)

Charakterisierung evozierter Reaktionen auf häufige und seltene Stimuli im Hörkortex des Menschen: Eine Einzel-Trial-Studie der Mismatch Negativität mittels MEG und EEG

Ein Cowboy, der sich an einem Lagerfeuer wärmt, wird durch das von einem Eindringling verursachte Knacken eines Zweiges sofort alarmiert. Nicht-invasive Bildgebung mittels Magnet- oder Elektroenzephalographie würde vermuten lassen, dass diese bekannte Westernszene durchaus eine reale Basis hat. Ein seltenes Geräusch (der „Deviant“), hier das Knacken des Zweiges, das in einer Folge häufiger Standardgeräusche, dem Knistern des Feuers, auftritt, evoziert im Hörkortex eine so genannte Mismatch Negativität (MMN)-eine unabhängig von der Aufmerksamkeit und sogar während des Schlafes auftretende ereignisbezogene Komponente, die  den Cowboy warnen könnte.

In der vorherrschenden Interpretation wird die MMN als ein Gedächtnisprozess angesehen, bei dem eine neue sensorische Information mit einer durch die Standards hervorgerufenen transienten Spur im auditorischen Gedächtnis verglichen wird. Änderungen der MMN sind u.a. potentielle Indikatoren für neurodegenerative Erkrankungen und Entwicklungsstörungen. Da das Signal-Rausch-Verhältnis der MMN in wissenschaftlichen Experimenten üblicherweise sehr klein ist, wird die MMN durch Mittelung der evozierten Signale aus einer großen Anzahl (mehrere hundert) von Standards und Deviants gewonnen. Unser Cowboy sollte jedoch den Deviant möglichst auf Anhieb, in einem einzigen Versuch, wahrnehmen, da er sonst vielleicht niemals mehr ein Feuer genießen kann.

In der Fortsetzung eines von der DFG geförderten Projektes beabsichtigen wir, die Rolle der Standards und Deviants bei der MMN an menschlichen Probanden nicht nur an gemittelten Daten, sondern insbesondere auch an Einzeltrials kritisch zu betrachten. Ein/e interessierte/r Student/in könnte in diesem Projekt insbesondere bei der spektralen Analyse der Daten, d.h. deren Analyse im Frequenz/Zeit-Bereich, mitwirken. Diese Aufgabe würde neben dem Einsatz klassischer Methoden wie der Short-Time Fourier-Transformation auch die Verwendung moderner Methoden zur adaptiven Approximation (Matching Pursuit) von Zeitreihen umfassen.  Wir könnten anbieten, dass  bestimmte Teilaspekte dieser Datenanalyse entweder in IT-Projekten oder in integrierten Bachelor/Praktikumsprojekten erarbeitet werden.

Neuronale Korrelate des sensorischen Arbeitsgedächtnisses in der Hörrinde des Menschen

„Arbeitsgedächtnis“ ist im Grunde genommen eine Bezeichnung für ein theoretisches Konstrukt innerhalb der kognitiven Psychologie, das die Prozesse, die die vorübergehende Speicherung von Information beschreibt und eine Reihe wichtiger Hirnfunktionen ermöglicht. Es ist eine fundamentale Voraussetzung für unsere Fähigkeit, alltägliche Funktionen wie das Lesen und Verstehen von Texten, das Verstehen von Sprache, das Fällen von Entscheidungen oder das Lösen von Problemen zu  verrichten.

Viele Hirnareale, darunter auch sensorische Areale der Großhirnrinde, sind am Arbeitsgedächtnis beteiligt. Einfache klassische Experimente zum Arbeitsgedächtnis basieren auf der Präsentation eines Reizes S1 (z.B. eines Tones oder eines Bildes), der im Gedächtnis behalten und mit einem nachfolgenden Reiz S2 verglichen werden muss. Eine anhaltende Hirnaktivität in der Zeitspanne zwischen S1 und S2 wird gemeinhin als Korrelat des Arbeitsgedächtnisses angesehen.

Es stellt sich aber nun die Frage, ob diese anhaltende neuronale Aktivität nicht auch durch andere kognitive Prozesse hervorgerufen werden kann, die ebenfalls Bestandteil derartiger Gedächtnisaufgaben sind. Das könnte z.B. das Antizipieren des zweiten Reizes sein oder die Erwartung einer Belohnung für die richtige Beantwortung der Gedächtnisaufgabe. Wir möchten mit diesem von der DFG geförderten Projekt genau diese Separierung neuronaler Aktivität, die tatsächlich Gedächtnis reflektiert, von Aktivität, die auf andere kognitive Prozesse zurückzuführen ist, erreichen. Hierzu führen wir gegenwärtig neue MEG-Experimente durch, von denen wir überzeugt sind, dass sie erstmals diese Separierung leisten können. Ein/e interessierte/r Student/in könnte in diesem Projekt insbesondere bei der spektralen Analyse der Daten, d.h. deren Analyse im Frequenz/Zeit-Bereich, mitwirken. Diese Aufgabe würde neben dem Einsatz klassischer Methoden wie der Short-Time Fourier-Transformation auch die Verwendung moderner Methoden zur adaptiven Approximation von Zeitreihen umfassen.  Wir könnten anbieten, dass  bestimmte Teilaspekte dieser Datenanalyse entweder in IT-Projekten oder in integrierten Bachelor/Praktikumsprojekten erarbeitet werden.

Letzte Änderung: 17.08.2016 - Ansprechpartner: Webmaster