Kognitiv-neurowissenschaftliche Forschungsmethoden

Die Elektroenzephalographie (EEG) ist eine nicht-invasive Methode zur Messung der Hirnaktivität, welche elektrische Spannungen auf der Kopfoberfläche aufzeichnet. Aufgrund der hohen zeitlichen Auflösung kann EEG zur Untersuchung verschiedener kognitiver Prozesse eingesetzt werden. In unserer Arbeitsgruppe interessieren wir uns unter anderem für neurophysiologische Korrelate beim Lösen von Rechenaufgaben, dem Vergleichen von zwei Zahlen und der Verarbeitung von Zahlenfolgen.  Aus dem EEG kann man eine Vielzahl an Parametern ableiten, die mit solchen Prozessen korrelieren können. Beispielsweise gibt oszillatorische Aktivität in einem bestimmten Frequenzband (die sogenannte ereigniskorrelierte Desynchronisation und Synchronisation, ERS/ERD) Aufschluss über die Nutzung bestimmter Lösungsstrategien bei Rechenaufgaben. Die Konnektivität zwischen kortikalen Quellen liefert Informationen darüber, wie neuronale Netzwerke in spezifische Prozesse eingebunden sind. Die weit verbreitete Technik der ereigniskorrelierten Potenziale (ERP) mittelt über viele Wiederholungen einer Aufgabe, was zu einer Wellenform mit positiven und negativen Ausschlägen führt. Diese können mit der Informationsverarbeitung im Gehirn in Verbindung gebracht werden. 

Unser Arbeitsbereich setzt sich für offene Forschung ein, also die Verwendung von Open-Source Software und das Bereitstellen vollständig reproduzierbarer Forschungsergebnisse über Open Access. Wir tragen zu verschiedenen Open-Source-Projekten bei, um die Entwicklung und Anwendung neuer und etablierter Methoden zu fördern.  Beispiele dafür sind MNE-Python, das beliebteste Python-Paket zur Analyse von MEG/EEG-Daten, und MNELAB, eine grafische Benutzeroberfläche für MNE-Python. Ein weiteres von unserer Arbeitsgruppe betreutes Projekt ist SigViewer, ein weit verbreitetes Programm zur Anzeige und Bearbeitung von Biosignalen in verschiedenen Formaten. Wir unterstützen auch die Entwicklung des XDF-Formats, welches gut zum Speichern multimodaler Daten geeignet ist, mit Importfunktionen für Python (pyxdf) und Julia (XDF.jl). Darüber hinaus betreuen wir das Python-Paket SleepECG zur Klassifizierung von Schlafphasen auf Grundlage der Herzfrequenzvariabilität. Außerdem haben wir zu Projekten wie Scikit-learn, MNE-BIDS, pybv, pandas, SciPy, Matplotlib und BioSig beigetragen. 

1. Brunner, C., & Hofer, F. (2023). SleepECG: a Python package for sleep staging based on heart rate. Journal of Open Source Software, 8(86), 5411, https://doi.org/10.21105/joss.05411 
2. Brunner, C. (2022). MNELAB: a graphical user interface for MNE-Python. Journal of Open Source Software, 7(78), 4650, https://doi.org/10.21105/joss.04650 
3. Appelhoff, S., Sanderson, M., Brooks, T., van Vliet, M., Quentin, R., Holdgraf, C., Chaumon, M., Mikulan, E., Tavabi, K., Höchenberger, R., Welke, D., Brunner, C., Rockhill, A., Larson, E., Gramfort, A., & Jas, M. (2019). MNE-BIDS: Organizing electrophysiological data into the BIDS format and facilitating their analysis. Journal of Open Source Software, 4(44), 1896, https://doi.org/10.21105/joss.01896 
4. Lin, Y., Brunner, C., Sajda, P., & Faller, J. (2017). SigViewer: visualizing multimodal signals stored in XDF (Extensible Data Format) files. arXiv, https://doi.org/10.48550/arXiv.1708.06333 
5. Brunner, C., Billinger, M., Seeber, M., Mullen, T. R., & Makeig, S. (2016). Volume conduction influences scalp-based connectivity estimates. Frontiers in Computational Neuroscience, 10, 121, https://doi.org/10.3389/fncom.2016.00121