Biostatistische Modellierung und Analyse kombinierter fMRT- und EEG-Messungen

功能磁共振成像和脑电图联合测量的生物统计建模和分析

• 批准号: 113520118
• 负责人: Professor Dr. Ludwig Fahrmeir
• 金额: --
• 依托单位: Max-Planck-Institut für Psychiatrie
• 依托单位国家: 德国
• 项目类别: Research Grants
• 财政年份: 2009
• 资助国家: 德国
• 起止时间: 2008-12-31 至 2013-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/113520118?language=en
• 关键词: Biostatistische; Modellierung; und; Analyse; kombinierter

Die Kombination von Elektroenzephalographie (EEG) und funktioneller MR-Tomographie (fMRT) ermöglicht es, die Vorteile dieser unabhängigen Modalitäten zu nutzen. In den letzten Jahren hat die Kombination dieser beiden Messverfahren daher ein erhebliches Forschungsinteresse gefunden. Ziel des beantragten Projekts ist die Entwicklung (bio-) statistischer Methoden, mit denen EEG-basierte, zeitlich und räumlich variierende Priori-Informationen in fMRT-Analysen genutzt werden können. Als Anwendungsbeispiele werden durch akustische Signale induzierte basale kognitive Verarbeitungsprozesse im Wachen bzw. intrinsische zerebrale Aktivitätsänderungen im humanen Schlaf vorgeschlagen. Im Zentrum des Projekts stehen dabei sogenannte Prädiktionsansätze, bei denen elektrophysiologische Variablen aus EEG-Messungen extrahiert werden, um als Prädiktor die Variabilität von fMRT-Signalen zu erklären. Zur Extraktion der EEG-Information sollen insbesondere EEG-Tomographie-Methoden wie LORETA (low resolution electromagnetic tomography) oder verwandte Konzepte (BASTA [Bayesian spatio-temporal approach] oder REML [restricted maximum likelihood]) zur Lösung des zugrunde liegenden inversen Problems eingesetzt werden. Gleichzeitig können Prädiktionsansätze auch zur Verbesserung der räumlichen Lokalisation von neuronalen Aktivitäten dienen. Die statistische Modellierung und Inferenz beruht auf Bayesianischen Konzepten, die zur Analyse von reinen fMRT-Daten in Vorarbeiten im Rahmen des SFB 386 Statistische Analyse diskreter Strukturen. Modellierung und Anwendung in Biometrie und Ökonometrie in einer Kooperation zwischen dem Institut für Statistik der LMU und dem MPI für Psychiatrie (MPIP) bereits sehr erfolgreich eingesetzt wurden. Ziel der methodischen Entwicklung sind Modelle und statistische Analyseinstrumente, die diese Konzepte unter Berücksichtigung neuester methodischer Fortschritte in Bayesianischen Inferenztechniken erweitern und das Einbeziehen von zeitlich-räumlich variierender EEG-Information in fMRT-Modellen in flexibler semiparametrischer Weise ermöglichen. In der ersten Projektphase soll dazu die EEG-Information a priori genützt werden, um etwa mit Hilfe von LORETA geeignete Prädiktoren für das fMRT-Modell zu bilden. Anschließend sollen darauf aufbauend simultane fMRT/EEG-Prädiktionsmodelle ( joint modelling ) entwickelt werden. Damit wird es möglich, die mit dem ersten Schritt verbundene Messfehlerproblematik zu modellieren und zu analysieren.

Die Combination von Elektroenzeographie（EEG）und funktioneller MR-Tomographie（fMRT）ermöglicht es，die Vorteile dieser unabhängigen Modalitäten zu nutzen.在过去的几年里，联合企业已经成为一个非常重要的研究领域。Ziel des beantragten Projekts ist die Entwicklung（bio-）statistischer Methoden，mit denen EEG-basierte，zeitlich und räumlich variierende Priori-Informationen in fMRT-Analysen genutzt韦尔登können. Als Anwendungsbeispiele韦尔登durch akustische Signale induzierte basale koggles Verarbeitungsprozesse im Wachen bzw.在人的身体里有一种内在的活力。在Zentrum des Projekts stehen dabei sogenannte Prädiktionsansätze，bei denen elektrophysiologische Variablen from us EEG-Messungen extrahiert韦尔登，um als Prädiktor die Variabilität von fMRT-Signalen zu erklären.脑电信息的提取可采用低分辨率电磁断层成像（LORETA）或贝叶斯时空方法（BASTA）或限制最大似然法（REML）等脑电断层成像方法，以解决韦尔登反演问题。Gleichzeitig können Prädiktionsansätze auch zur Verbesserung der räumlichen Lokalisation von neuronalen Aktivitäten dienen.本文通过对Bayesianischen Konzepten的统计建模和推断，对SFB 386统计分析结构中的最大MRT数据进行了分析。LMU国家统计研究所和精神病学MPI（MPIP）在生物计量学和气动计量学方面的建模和分析值得一试。方法论的发展是一种模型和统计分析工具，它是贝叶斯推理技术中最新的方法论，也是一种在灵活的半参数化环境中对fMRT模型中的EEG信息进行可变化的方法。在第一个项目阶段，将EEG信息先验地生成韦尔登，并与LORETA的支持者一起为fMRT模型提供支持。Anschließend sollen darauf aufbauend simultane fMRT/EEG-Prädiktionmodelle（联合建模）entwickelt韦尔登。Damit wird es möglich，die mit dem ersten Schritt verbundene Messfehlerproblematik zu modelieren und zu analysieren.