Fortschritte beim neuronalen Fingerabdruck für die Hirnforschung

Nikolas Kampel, Christian M. Kiefer, N. Jon Shah, Irene Neuner, Jürgen Dammers

20. September 2023

In der Vergangenheit hat sich die Neurowissenschaft in erster Linie auf Daten auf Bevölkerungsebene und Gemeinsamkeiten zwischen Individuen gestützt, um das Gehirn zu verstehen. Heutige Erkenntnisse betonen jedoch die Bedeutung individueller Variationen, was zur Entstehung des neuronalen Fingerabdrucks geführt hat, einem Bereich, der sich auf die Identifizierung von Individuen innerhalb einer Gruppe mit Hilfe verschiedener Neuroimaging-Techniken wie der MEG konzentriert.

Neuroimaging-Techniken wie die Magneto- und Elektroenzephalographie (M/EEG) stützten sich bisher auf Korrelations- oder Konnektivitätsmatrizen für den neuronalen Fingerabdruck, die häufig die individuelle zeitliche Dynamik ignorierten und eine Kanalkopplung erforderten. Eine kürzlich von Wissenschaftlern des INM-4 durchgeführte Studie hat jedoch einen bedeutenden Fortschritt gebracht.

In dieser Studie nutzten die Forscher die jüngsten Entwicklungen im Bereich der multivariaten Zeitreihenklassifizierung, einschließlich des RandOm Convolutional KErnel Transformation (ROCKET)-Klassifikators, um eine direkte Klassifizierung von kurzen Zeitsegmenten aus MEG-Ruhezustandsaufzeichnungen durchzuführen. Dieser neuartige Ansatz erreichte eine 99%ige Genauigkeitsrate bei der Zuordnung von 1-Sekunden-Zeitreihenfenstern zu den richtigen Personen in einer Gruppe von 124 Probanden und übertraf damit frühere Methoden bei gleichzeitiger Reduzierung der für die Analyse erforderlichen Zeit.

Diese Ergebnisse sind vielversprechend, um tiefere Einblicke in die Gehirnfunktion zu gewinnen, insbesondere beim Verständnis neurologischer Erkrankungen, und könnten zu gezielteren Eingriffen und Behandlungen führen.

Advancements in Neural Fingerprinting for Brain Research Nikolas Kampel, Christian M. Kiefer, N. Jon Shah, Irene Neuner, Jürgen Dammers 20th September 2023 Historically, neuroscience has primarily relied on population-level data and commonalities among individuals to understand the brain. However, contemporary insights emphasise the importance of individual variations, leading to the emergence of neural fingerprinting, a field that focuses on identifying individuals within a group using various neuroimaging techniques, such as MEG. Neuroimaging techniques like magneto- and electroencephalography (M/EEG) have relied on correlation or connectivity matrices for neural fingerprinting, which often ignored individual temporal dynamics and required channel coupling. However, a recent study conducted by scientists from INM-4 has brought significant progress. In this study, researchers have leveraged recent developments in multivariate time series classification, including the RandOm Convolutional KErnel Transformation (ROCKET) classifier, to perform direct classification on short time segments from MEG resting-state recordings. This novel approach achieved a 99% accuracy rate in assigning 1-second time series windows to the correct individuals in a group of 124 subjects, outperforming previous methods while also reducing the time required for analysis. These findings hold promise for gaining deeper insights into brain function, particularly in understanding neurological conditions, and may lead to more targeted interventions and treatments. Neural fingerprinting on MEG time series using MiniRockethttps://www.frontiersin.org/articles/10.3389/fnins.2023.1229371/full

Personalisierung der Hirnforschung: Die künstlerische Darstellung eines Gehirns, das mit einem unverwechselbaren Fingerabdruck versehen ist, symbolisiert den Einzug des neuronalen Fingerabdrucks in die Neurowissenschaften

Origionalpublikation: Neural fingerprinting on MEG time series using MiniRocket

Letzte Änderung: 29.09.2023