Detecting high-frequency brain disorder signals using dynamic mode decomposition from EEG

Stellen Sie sich vor, Ihr Gehirn sei eine geschäftige Stadt, die ständig Funksignale aussendet, um alles am Laufen zu halten. Jahrzehntelang haben Wissenschaftler sich hauptsächlich auf die „Niederfrequenz“-Stationen dieser Stadt eingestellt – langsame, rhythmische Wellen, die wie das stetige Brummen des Verkehrs oder das Hintergrundgeplapper einer belebten Straße wirken. Diese langsamen Wellen eignen sich hervorragend, um große Probleme zu erkennen, wie etwa einen Stromausfall oder einen schweren Verkehrsstau (den Ärzte nutzen, um Dinge wie Epilepsie zu diagnostizieren). Aber was wäre, wenn die wahren Geheimnisse zum Verständnis der Gesundheit dieser Stadt in dem hochfrequenten, hochtonigen Rauschen verborgen lägen, das normalerweise ignoriert wird? Dies ist die Welt der hochfrequenten Gehirnsignale. Betrachten Sie diese als die hektischen, rasanten Textnachrichten oder das plötzliche, scharfe Hupen eines Autohorns. Sie geschehen so schnell und ändern sich so rasch, dass herkömmliche Werkzeuge sie oft übersehen oder als bloßes „Rauschen“ abtun. Die große Frage, die sich Wissenschaftler stellen, lautet: Sind diese schnellen Signale nur zufälliges Rauschen, oder übertragen sie tatsächlich einen geheimen Code darüber, wie unsere Gehirne arbeiten – oder eben nicht?

Diese Arbeit, geschrieben von Jacob Kang und Jong-Hyeon Seo, taucht genau in dieses Rätsel ein und nutzt eine clevere neue Art des Zuhörens. Anstatt nur auf die Lautstärke des Radiosignals zu achten (wie laut es ist), verwendeten sie eine mathematische Technik namens Dynamic Mode Decomposition (DMD). Man kann sich DMD als einen superintelligenten Detektiv vorstellen, der nicht nur dem Lärm zuhört, sondern das Signal in seine einzelnen „Charaktere“ oder „Modi“ zerlegt. Er fragt: „Bewegt sich dieses spezifische Hochgeschwindigkeitsmuster auf eine konsistente, rhythmische Weise, oder ist es einfach nur zufälliges Chaos?“ Die Forscher wandten diese Detektivarbeit auf die Gehirne zweier Gruppen an: Menschen mit Alkoholabhängigkeit und eine Kontrollgruppe gesunder Individuen. Sie wollten sehen, ob das „hochfrequente Geplapper“ in den Gehirnen der alkoholabhängigen Gruppe einen einzigartigen, identifizierbaren Rhythmus aufwies, den die gesunde Gruppe nicht hatte.

Dies ist das, was sie herausfanden: Das „Rauschen“ war keineswegs nur Rauschen. Als sie das zufällige statische Signal herausfilterten, entdeckten sie, dass etwa 70 % der Gehirnsignale der Teilnehmer konsistente, bedeutungsvolle hochfrequente Muster zeigten, insbesondere in dem Teil des Gehirns, der für das Sehen zuständig ist (dem Okzipitallappen). Aber hier kommt die Wendung: Die Gehirne der alkoholabhängigen Gruppe wiesen auch in anderen Bereichen zusätzliches „Geplapper“ auf, speziell in den zentralen Regionen des Gehirns (Kanäle C3 und C4), die während visueller Aufgaben normalerweise ruhig sind. Die Signale der gesunden Gruppe waren ausgewogener und breiter verteilt, während die Signale der alkoholabhängigen Gruppe an spezifischen Stellen konzentriert und intensiv waren.

Um zu beweisen, dass dies kein Zufall war, fütterten die Forscher diese hochfrequenten Muster in ein computergestütztes Lernmodell (eine Support Vector Machine). Das Ergebnis war beeindruckend: Das Modell konnte die beiden Gruppen mit einer Genauigkeit von über 98 % unterscheiden. Dies deutet darauf sich hin, dass die hochfrequenten Signale im Gehirn nicht bloß zufällige Interferenzen sind, sondern einen deutlichen, strukturierten „Fingerabdruck“ für Alkoholabhängigkeit enthalten. Die Autoren weisen jedoch vorsichtig darauf hin, dass diese hohe Genauigkeit darauf beruht, zuerst die wirklich zufälligen, verrauschten Signale herauszufiltern. Sie argumentieren, dass wir durch die Verwendung ihrer DMD-Methode, um die „echten“ Hochgeschwindigkeitsmuster vom „falschen“ zufälligen Rauschen zu trennen, Gehirndynamiken sehen können, die ältere Werkzeuge wie Fourier-Transformationen (die lediglich die Lautstärke messen) oder Wavelet-Transformationen (die Zeit gegen Klarheit abwägen) vielleicht übersehen würden.

Die Studie hebt auch eine entscheidende Einschränkung hervor: Hochfrequenzsignale sind zerbrechlich. Sie können leicht durch Muskelbewegungen (wie das Zusammenpressen des Kiefers) oder schlechte Ausrüstung übertönt werden. Deshalb mussten die Forscher so streng beim Filtern der „zufälligen“ Signale zuerst vorgehen. Sie legen nahe, dass ihre Methode zwar auf diesem spezifischen Datensatz unglaublich gut funktioniert, uns aber gleichzeitig daran erinnert, dass wir bessere Wege brauchen, um auf diese schnellen Signale zu hören, ohne die Interferenzen. Letztendlich legt die Arbeit nahe, dass wir, wenn wir lernen, die hochfrequenten Rhythmen korrekt zu erfassen, einen neuen Weg verstehen und neurologische Erkrankungen diagnostizieren könnten, indem wir über die langsamen, stetigen Wellen hinausgehen, auf die wir so lange vertraut haben.