Methoden
Messverfahren
Wir entwickeln und verwenden Methoden zur Messung der Variabilität von Hirnsignalen und gehen über allgemeine Varianzmessungen hinaus, um gezieltere Fragen zur Art der Varianz zu stellen (z.B. spektraler Inhalt und Struktur, Zeitverzögerungseinbettung). Wir sind außerdem an diskreten Mustern in Gehirnsignalen (z.B. Entropie) interessiert und wie diese mit der Gesamtvarianz in Beziehung stehen (*Grandy, *Garrett et al., 2016). Zum Beispiel arbeiten wir kontinuierlich daran, die Schätzung der Multiskalenentropie zu optimieren, die varianzbasierte Verzerrungen aus der Berechnung eliminiert (Kosciessa et al., in Vorbereitung; Kloosterman et al., in Vorbereitung), so dass die Entropie direkt mit der oszillatorischen Dynamik innerhalb einer Person verglichen werden kann (z.B. Kosciessa et al., 2019).
Statistische und computergestützte Modelle
Wir haben ein großes Interesse an multivariaten Modellen (z.B. Techniken auf der Basis von Singular Value Decomposition [SVD]), die es am besten ermöglichen, verschiedene Korrelate der Dynamik von Hirnsignalen gleichzeitig zu untersuchen. Derzeit erforschen wir, wie SVD-Modelle im Rahmen von Mixed-Modelling optimiert werden können, um die parametrische kognitive Leistung (als latente Variable) mit parametrischer aufgabenbasierter Hirnsignaldynamik zu verknüpfen (z.B. Garrett et al., 2013, Cerebral Cortex; Garrett et al., 2015, PNAS). Wir entwickeln auch kontinuierlich multivariate Modelle für das gesamte Gehirn, die verschiedene bildgebende Verfahren verbinden (z.B. ASL und BOLD; Dopamin-PET und BOLD; EEG und BOLD; DWI und BOLD; z.B. Garrett et al., 2017, Sci Rep; *Burzynska, *Garrett, et al., 2013, JNeurosci).
Wir nutzen und entwickeln verschiedene Computermodelle vom Gehirn und Verhalten. So haben wir beispielsweise kürzlich das HMAX-Modell des ventralen visuellen Kortex genutzt, um abzuschätzen, wie die Komplexität visuellen Inputs die neuronale Variabilität während der Wahrnehmung beeinflussen kann (Garrett et al., 2018).
Mit Blick auf Verhalten haben wir individuelle belohnungsgetriebene perzeptuelle Entscheidungen durch ein hierarchisches Drift-Diffusions-Modell simulieren können (Kloosterman et al., 2019, eLife). Wir setzen nun verschiedene Modelle des Verstärkungslernens in einer Vielzahl von probabilistischen belohnungsbasierten Paradigmen ein.
Software-Entwicklung
Ein wichtiges Ziel unserer Arbeit ist es, die zukünftige Untersuchung der Variabilität von Hirnsignalen im neurowissenschaftlichen Bereich durch Open-Source-Software zu unterstützen. Derzeit ermöglicht noch kein Auswertungsprogramm eine umfassende Analyse der Hirnsignalvariabilität. Aus diesem Grund entwickeln wir eine fMRI-basierte Variability Toolbox (VarTbx) für SPM, die ereignisbezogen und im Blockdesign genutzt werden kann. Nach dem Vorbild einer Level-1-Analyse ermöglicht unsere Toolbox SPM-Anwendern (oder Matlab-Anwendern im Allgemeinen), jegliche vorverarbeiteten fMRI-Daten zu importieren, aus einer Reihe von verschiedenen Variabilitätsmaßen auszuwählen und sich daraus individuelle Karten zur weiteren Analyse innerhalb des SPM-Standard-Level-2-Moduls (oder anderswo) ausgeben zu lassen. Die erste Version von VarTbx ist nun verfügbar. Weitere Informationen finden Sie auf unserer Software-Seite (https://github.com/LNDG). Wir unterstützen Open Science, indem wir alle Codes und Algorithmen auf Github frei verfügbar machen.