Echtzeit Klassifikation von fMRT-Aktivierungsmustern mit künstlichen neuronalen Netzen M. Weygandt, C.R. Blecker, B. Walter, R. Stark & D. Vaitl Bender Institute of Neuroimaging (BION), Justus Liebig Universität Giessen Methode In dieser Studie wird eine neue Methode der Echtzeit-Analyse von fMRT-Daten präsentiert. Diese soll es ermöglichen, mentale, perzeptive oder motorische Prozesse einer Versuchsperson aus korrespondier-enden Aktivierungsmustern in Echtzeit zu erschließen. In der vorliegenden Machbarkeitsstudie wurden Aktivierungsmuster, die einzelnen fMRT-Aufnahmen entnommen wurden, mit Hilfe von mehreren künstlichen neuronalen Netzen (KNN) einer von drei Finger-Tapping-Bedingungen zugewiesen. Der benutzte Netztyp (Fritzke, 1994) wird häufig als inkrementelles Netzwerk radialer Basisfunktionen bezeichnet. Der Algorithmus ermöglicht eine schnelle Berechnung der entsprechenden Parameter, wodurch die Akquise exemplarischer Aktivierungsmuster, die Bestimmung von zur Klassifikation geeigneten Voxel, das Training mehrerer Netzwerke und schließlich die Klassifikation neuer ankommender Aktivierungsmuster in einer einzigen fMRT-Session möglich wird. Das Konzept der Klassifikation Klassifikationsalgorithmen lernen, zwischen Datenmustern verschiedener Genese zu unterscheiden. fMRT-Variante: Computer schließt vom Muster der Hirnaktivierung auf dessen Genese. Mustererkennung erfolgt in zwei Schritten: Trainings- und Testphase Trainingsphase Präsentation von Aktivierungsmustern zusammen mit deren Ursachen Lernen von Relationen zwischen Mustern und Ursachen Ursachen können z.B. unterschiedliche Bewegungen der Probanden oder Betrachten von Bildern mit unterschiedlichen emotionalen Inhalten sein. Testphase Bestimmung der Ähnlichkeit von neuen Mustern unbekannter Ursache mit Mustern bekannter Ursachen. Klassifikation durch Zuordnung zu Ursache größter Ähnlichkeit Einleitung 16 Versuchspersonen TR = 2,5 sek. Drei Bedingungen Linksseitiges, rechtsseitiges und bilaterales Tapping 22 Darbietungen jeder Bedingung Trainingsphase 10 Blöcke → jeder Block enthält alle Bedingung Reihenfolge der Bedingungen innerhalb Blöcken permutiert Dauer: 17,5 sek. (7 Volumen) → 10 x 3 x 7 = 210 Trainingsmuster Berechnungsphase 2 Blöcke Aufbau analog Trainingsphase Zweck: Zeit für erforderliche Berechnungen vermitteln fMRT-Aufnahmen der Phase gehen nicht in die Klassifikationsprozedur ein Testphase Zehnmalige Darbietung jeder Bedingung Auswahl/Bestimmung der Reihenfolge und Dauer jeder Bedingung gemäß Ziehen ohne Zurücklegen Bedingungen umfassen 12,5 bis 22,5 sek. (5-9 Volumen) → 210 Testmuster Tapping-Studie Methode Abb. 1. Experimentelles Paradigma und Echtzeit-Prozedur*. A. Stimuli und Phasen des Experimentes. Weiße Quadrate entsprechen einzelnen fMRT-Volumen. B. Berechnungsphase. Zunächst via Korrelation mit Modellfunktion Selektion von Voxeln, die sensitiv auf die Stimulation ansprechen. Danach Maskierung der in Trainingsphase erhobenen Volumen mit selektierten Voxeln. Intensitäten maskierter Koordinaten eines Volumens ergeben Trainingsmuster. Danach Training der KNN mit den Mustern und den entsprechenden Bedingungs-zugehörigkeiten. C. Klassifikationsprozedur für eine fMRT-Aufnahme. Zunächst Extraktion des Testmusters. Dieses wird an KNN übergeben. Jedes KNN fällt eine Klassifikations-entscheidung. Die abschließende Entscheidung entspricht dem Modalwert der Entscheidungen der einzelnen KNN. *Alle Berechnungen wurden von einer selbst angefertigten Soft-ware vorgenommen und waren durchschnittlich 453 ms (± 42 ms) nach Ende der Aufnahme eines Volumens abgeschlossen. enden Bedingungen zugeordnet werden konnten. Die durchschnittliche Trefferquote beträgt 80% (Median: 82%). Alle Trefferquoten sind signifikant (alle p < 10-13; Chi2 -Test). Trefferquote (%) Versuchsperson per Zufall zu erwartende Trefferquote Abb. 2. Voxel aller Versuchspersonen, die durch die korrelative Strategie ermittelt wurden, getrennt für die drei Tapping-Bedingungen. Pro Bedingung wurden die Voxel mit den fünf höchsten Korrelationen von Zeitreihen und Modellfunktion einer Bedingung ausgewählt. Die dargestellten Koordinaten entsprechen dem MNI-Raum. Ergebnisse Die Analyse der Trefferquoten zeigt, dass die Aktivier-ungsmuster mit sehr hoher Genauigkeit den entsprech- Abb. 3: Echtzeit-Klassifikationsergebnisse getrennt für die 16 VP. Echtzeit-Klassifikation von fMRT-Aktivierungsmustern mit Hilfe künstlicher neuronaler Netze ist möglich. Durch die Kombination der Technologien der Echtzeit-fMRT und der Klassifikation entsteht ein neues Mitglied der Familie der Brain-Computer-Interfaces. Martin Weygandt Justus-Liebig-Universität Giessen Abt. f. Klinische und Physiologische Psychologie Otto-Behaghel-Str. 10 F 35394 Giessen, Germany Email: martin.weygandt@psychol.uni-giessen.de http://www.bion.de Fazit Kontakt