Stratifizierung und Augmentation von EEG-Neurofeedback bei Depression durch Monitorierung dynamischer Gehirnzustustände mit simultaner Elektroenzephalografie und Magnetresonanz (EEG-fMRT)

• Antragsteller: Professor Dr. Martin Walter
• Fachliche Zuordnung: Klinische Psychiatrie, Psychotherapie und Kinder- und Jugendpsychiatrie ; Kognitive, systemische und Verhaltensneurobiologie
• Förderung: Förderung von 2017 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 388570319

• Erstellungsjahr: 2024

Zusammenfassung der Projektergebnisse

Das übergreifende Ziel dieses Projekts war es, neurobiologische Mechanismen des Neurofeedback (NF)-Trainings aufzuklären, da es seit mehreren Jahrzehnten angewendet wird, ohne dass die zugrunde liegenden Prozesse im Gehirn vollständig bekannt sind. Durch die Kombination von Informationen aus der Elektroenzephalographie (EEG) und der funktionellen Magnetresonanztomographie (fMRT) während des NF-Trainings war das Ziel Marker zu identifizieren, die einem erfolgreichen Training zugrunde liegen, und diese Informationen in einem simultanen EEG-/fMRT-NF zu nutzen, um die Lernleistung zu verbessern. Um dieses Ziel zu erreichen, mussten mehrere technische Meilensteine erreicht werden. ● Als erstes war es entscheidend, das Rahmenwerk für das NF-Training selbst zu etablieren, in einer Weise, die den gängigen Best Practices im NF-Bereich entspricht. Da EEG die amhäufigsten verwendete Modalität für NF ist, war die Fähigkeit, erfolgreich EEG-NF anzuwenden, unser Ausgangspunkt. Wir haben spezifische Software entwickelt, um dies zu ermöglichen. ● Als zweiter Punkt war es notwendig, EEG-NF während einer fMRT Messung durchzuführen, was erfordert, MR-spezifische Artefakte in Echtzeit aus den EEG-Signalen zu entfernen. ● Drittens war es unerlässlich, eine Assoziation zwischen einem Merkmal des EEG-Signals, das während des NF-Trainings angezielt wurde, und den dynamischen Hirnzuständen herzustellen, die aus der gleichzeitigen fMRT Messung abgeleitet wurden. ● Viertens war es notwendig, einen Rahmen für die Echtzeitverarbeitung und Analyse der fMRT- Daten zu etablieren. ● Schließlich mussten wir zwischen erfolgreichen und erfolglosen Regulierungsversuchen unterscheiden. Wir haben einen neuartigen Ansatz zur Messung der individuellen NF- Performance unter Verwendung von fMRT-Signalen vorgestellt. Unsere Ergebnisse zeigen das Potenzial für weitere Untersuchungen v.a. die Implementierung des Konzepts der EEG-Mikrozustände in EEG-NF-Paradigmen, mit ihren Parametern als Ziele für bewusste Regulation, ist eine vielversprechende methodische Optimierung.

Projektbezogene Publikationen (Auswahl)

• 7 Tesla Real-time fMRI using a real-time distortion correction algorithm. In 23rd Annual Meeting of the Organization for Human Brain Mapping. 2017
  van der Meer, J., Hellrung, L., In, M.H., Götting, F., Borchardt, V., Möller, H. & Walter, M.
  
• ICA-based approach for ROI detection in rtfMRI Neurofeedback experiment. In 18th Conference of Junior Neuroscientists of Tübingen. 2017
  Izyurov, I., Krylova, M., Jamalabadi, H., Walter, M. & Shetsova, O.
  
• Self-regulation of dACC in real-time fMRI neurofeedback with simultaneous EEG. In 18th Conference of Junior Neuroscientists of Tübingen. 2017
  Shetsova, O., Izyurov, I., Jamalabadi, H., Krylova, M., Alizadeh, S. & Veit, R.
  
• Motion and physiological noise effects on amygdala real-time fMRI neurofeedback learning. Cold Spring Harbor Laboratory.
  Hellrung, Lydia; Borchardt, Viola; Götting, Florian N.; Stadler, Jörg; Tempelmann, Claus; Tobler, Philippe N.; Walter, Martin & van, der Meer Johan N.
  
• Understanding the electro-metabolic dynamics of brain spontaneous activity. In 11th FENS Forum of Neuroscience. 2018
  Krylova, M., Jamalabadi, H., Shevtsova, A., Alizadeh, S. & Walter, M.
  
• Algorithm for Automatic Real- Time Electrooculographic Artifact Correction. Neurofeedback, 2019, Paris
  Sinnigen, N., Izyurov, I., Krylova, M., Jamalabadi, H., Alizadeh, S. & Walter, M.
  
• Implementing dynamic time warping algorithm for estimation training performance in fMRI neurofeedback. In 20th Conference of Junior Neuroscientists. 2019
  Izyurov, I., Krylova, M., Alizadeh, S., Jamalabadi, H., Li, M. & Walter, M.
  
• Real-Time, python-based and amplifier-agnostic EEG-fMRI artifact correction. In 25th Annual Meeting of the Organization for Human Brain Mapping. 2019
  van der Meer, J.N., Stevenson, N., Matysiak, A., Hellrung, L. & Breakspear, M.
  
• Self-Regulation of dorsal Anterior Cingulate Cortex Activity in fMRI Neurofeedback with Concurrent Passive EEG. Neurofeedback, 2019, Paris
  Izyurov, I., Krylova, M., Jamalabadi, H., Alizadeh, S., van der Meer, J. & Walter, M.
  
• Investigating the temporal dynamics of electroencephalogram (EEG) microstates using recurrent neural networks. Human Brain Mapping, 41(9), 2334-2346.
  Sikka, Apoorva; Jamalabadi, Hamidreza; Krylova, Marina; Alizadeh, Sarah; van der Meer, Johan N.; Danyeli, Lena; Deliano, Matthias; Vicheva, Petya; Hahn, Tim; Koenig, Thomas; Bathula, Deepti R. & Walter, Martin
  
• Evidence for modulation of EEG microstate sequence by vigilance level. NeuroImage, 224, 117393.
  Krylova, Marina; Alizadeh, Sarah; Izyurov, Igor; Teckentrup, Vanessa; Chang, Catie; van der Meer, Johan; Erb, Michael; Kroemer, Nils; Koenig, Thomas; Walter, Martin & Jamalabadi, Hamidreza
  
• Progressive modulation of resting-state brain activity during neurofeedback of positive-social emotion regulation networks. Scientific Reports, 11(1).
  Krylova, Marina; Skouras, Stavros; Razi, Adeel; Nicholson, Andrew A.; Karner, Alexander; Steyrl, David; Boukrina, Olga; Rees, Geraint; Scharnowski, Frank & Koush, Yury
  
• The missing role of gray matter in studying brain controllability. Network Neuroscience, 5(1), 198-210.
  Jamalabadi, Hamidreza; Zuberer, Agnieszka; Kumar, Vinod Jangir; Li, Meng; Alizadeh, Sarah; Amani, Ali Moradi; Gaser, Christian; Esterman, Michael & Walter, Martin