Hartmut Heinrich
Dr. sc. hum.
Wavelet-Analysemethoden für die Auswertung ereignisbezogener Potentiale am Beispiel einer Studie
über hyperkinetische Kinder
Geboren am 28. 05. 1966 in Heilbronn-Sontheim
Reifeprüfung am 23. 05 1985 in Heilbronn
Studiengang der Medizinischen Informatik vom WS 1985/86 bis WS 1990/91
Vordiplom am 22. 09. 1987 an der Universität Heidelberg/Fachhochschule Heilbronn
Diplom am 29. 10. 1990 an der Universität Heidelberg/Fachhochschule Heilbronn
Promotionsfach: Medizinische Biometrie und Informatik
Doktorvater: Prof. Dr.-Ing. H. Dickhaus
Einleitung / Fragestellung
Ereignisbezogene Potentiale (ERPs) stellen die elektrische Antwort des Gehirns auf ein äußeres Ereignis dar.
Die endogenen ERP-Komponenten, d.h. die späten Signalanteile, die mit Latenzen von 100 ms und mehr
auftreten, lassen sich durch intrapsychische Prozesse beeinflussen. Sie werden als Korrelate verschiedener
Aspekte von Aufmerksamkeit und kognitiver Informationsverarbeitung angesehen. Veränderungen von Latenz
und Amplitude gelten als Maß für die Energie, Effizienz und Geschwindigkeit dieser Prozesse. Somit kann
z.B. mit ERPs untersucht werden, ob bestimmte psychiatrische Patientengruppen funktionelle Defizite
aufweisen.
Die Bestimmung der Latenz- und Amplitudenmaße dieser Komponenten (Halbwellen) geschieht in den meisten
Studien im gemittelten ERP. Allerdings wird diese Betrachtungsweise in der Literatur auch als vereinfachte
Sichtweise kritisiert bzw. es wird auf die Probleme hingewiesen, die eine exakte Bestimmung der Latenz- und
Amplitudenmaße erschweren. Außerdem wirkt sich der Mittelungsprozeß selbst nachteilig aus, der implizit auf
der Annahme einer konstanten Reizantwort basiert. Es muß jedoch von einer Variation der Reizantworten
ausgegangen werden, bedingt durch Effekte wie Habituation oder schwankende Aufmerksamkeit. Solche
Variabilitäten, die durch die Mittelung verloren gehen, können bei der Interpretation einer klinischen
Fragestellung von Bedeutung sein.
In der vorliegenden Arbeit sollten die Möglichkeiten der Wavelet-Netze (WNs) für die Auswertung
ereignisbezogener Potentiale, insbesondere für eine ERP-Einzelsweepanalyse, untersucht werden.
Exemplarisch wurden WNs in einer ERP-Vergleichsstudie zwischen gesunden Kindern und Kindern mit
hyperkinetischer Störung (HKS) angewendet.
Methode
WNs stellen einen hybriden Ansatz aus künstlichen Neuronalen Netzen und der kontinuierlichen Wavelet-
Transformation dar. Die Struktur der Wavelet-Netze kann als mehrschichtiges Perzeptron interpretiert werden.
Die Knoten der WNs besitzen Eigenschaften, wie sie von der Wavelet-Transformation bekannt sind. Es wird -
je nach Verwendungszweck - zwischen Wavelet-Netzen zur Klassifikation und Wavelet-Netzen zur
Repräsentation unterschieden.
WNs zur Klassifikation bestehen aus einer Merkmalsextraktions- und einer Klassifikationskomponente. Die
Knoten der Merkmalsextraktionskomponente sind modifizierte Versionen eines Basis-Wavelets. Die
Klassifikationskomponente wird durch ein mehrschichtiges Perzeptron gebildet. Im Gegensatz zu den
klassischen Mustererkennungsansätzen laufen Merkmalssuche und der eigentliche Klassifikationsprozeß nicht
sequentiell auf getrennten Stufen ab, sondern sind über den Lernalgorithmus miteinander gekoppelt, d.h.
während des Trainings werden neben geeigneten Entscheidungsregionen für die vorhandenen Klassen auch
geeignete (trennscharfe) Merkmale für möglichst hohe Klassifikationsraten gefunden.
Die aus der Literatur bekannte Grundversion wurde im Rahmen dieser Arbeit in einigen wesentlichen Punkten
weiterentwickelt:
i. Multidimensionale Wavelet-Knoten erlauben das simultane Verarbeiten mehrerer Signale. Gerade für ERP-
Fragestellungen, bei denen topographische Aspekte von Interesse sind, stellt das gleichzeitige Verarbeiten
mehrerer Ableitungen eine notwendige Voraussetzung dar.
ii. Durch die Verwendung des Morlet-Wavelets als Basis-Wavelets werden Betrags- und Phasenknoten
unterschieden, wodurch das Wavelet-Netz eine höhere Flexibilität erhält.
iii. WNs zur Klassifiktion können um Eingabeknoten erweitert werden, die kontinuierliche (z.B. das Alter eines
Patienten/Probanden) bzw. kategoriale Merkmale (z.B. Geschlecht) verarbeiten.
WNs zur Repräsentation approximieren ein Signal durch die lineare Überlagerung modifizierter Wavelet-
Funktionen und erlauben somit eine anschauliche Beschreibung eines Signals mit wenigen Merkmalen. Um
eine vergleichbare Parametrisierung (vergleichbare Wavelet-Knoten) für die ERPs einer Stichprobe erzielen zu
können, wurden drei Varianten eines Optimierungsalgorithmus entwickelt, die in Abhängigkeit des Signal-
Stör-Abstandes (SNR) angewendet werden können. Variante I ist für ungestörte (rauschfreie) Signale geeignet,
wie z.B. Grand Mean-ERPs, Variante II bei relativ hohem SNR, wie z.B. für gemittelte ERPs einer
Stichprobe, und Variante III bei niedrigem SNR, wie z.B. für die Schätzung der ereignisbezogenen
Komponente einer Einzelantwort. Alle drei Varianten verwenden eine rekursive Strategie, d.h. Knoten werden
sukzessive ins Netz eingeführt und auf den Restfehler der bereits integrierten Knoten trainiert. Bei Variante II
und III finden zusätzlich Vorverarbeitungsschritte (Zeitfensterung, Filterung) statt, wodurch jeder Knoten auf
einem bestimmten Abschnitt der Zeit-Frequenz-Ebene projiziert wird. Die Definition der Fenster- und
Filterfunktionen erfolgt über eine WN-Approximation für ein repräsentatives Signal einer Stichprobe.
Für die WN-Einzelsweepanalyse wurden zahlreiche Maße definiert, um Variabilitäten in ERP-Einzelantworten
parametrisieren bzw. quantifizieren zu können. Besonders soll das WN-Korrelationsfeature erwähnt werden.
Dieses für jeden Wavelet-Knoten bestimmbare Ähnlichkeitsmaß beschreibt die Stabilität eines Knotens über
verschiedene Durchgänge einer Aufgabe, wobei Phasenlage, Frequenz und zeitliches Auftreten des Knotens in
die Berechnung eingehen.
Ergebnisse
An verschiedenen simulierten und realen ERP-Beispielen (Schachbrett-VEPs, AEPs einer selektiven
Aufmerksamkeitsaufgabe) wurden die folgenden WN-Eigenschaften deutlich:
i. Das WN-Modell bietet eine einheitlichere und detailliertere Parametrisierung als die konventionellen
Latenz- und Amplitudenmaße prominenter Peaks.
ii. Mit dem WN-Ansatz ist eine verläßliche Schätzung der ereignisbezogenen Komponente in der ERP-
Einzelantwort möglich, die im Gegensatz zu den meisten bestehenden Einzelsweep-Schätzern nicht auf der
Annahme basiert, daß sich die Charakteristika der Spontanaktivität von der Vorreizzeit zur Nachreizzeit
nicht verändern.
iii. Mit den WNs kann generell das Modell von Basar gestützt werden, der ein ERP als Überlagerung
ereignisbezogener EEG-Aktivität in verschiedenen EEG-Frequenzbändern versteht. Die WN-Knoten, die
für ein ERP resultieren, konnten den traditionellen EEG-Frequenzbändern zugeordnet werden.
In einer ERP-Vergleichsstudie zwischen 25 gesunden Kindern und 25 hyperkinetischen Kindern wirkten sich
diese methodischen Vorteile der Wavelet-Netze bzw. einer WN-basierten Einzelsweepanalyse besonders aus.
Während bei konventioneller ERP-Auswertung keine Unterschiede zwischen gesunden und HKS-Kindern
gefunden wurden, ergab die WN-Auswertung, vor allem die Einzelsweep-/Variabilitätsanalyse, einige
signifikante Gruppenunterschiede.
Beispielsweise konnte gezeigt werden, daß gesunde und HKS-Kinder entgegengesetzte Abhängigkeiten vom
Vorgängerreiz zeigen. Dieses Phänomen wurde in Zusammenhang mit der Hypothese defizitärer
zentralnervöser Regulationsprozesse interpretiert. Weiterhin konnten Hinweise auf frühere Zeitgang-Effekte
bei HKS-Kindern geunden werden, die in Verbindung mit den Daueraufmerksamkeitsproblemen von HKS-
Kindern gesehen wurden. Aus den Ergebnissen für das Korrelationsfeature des sog. α-Knotens konnte
gefolgert werden, daß HKS-Kinder im unteren α-Band unter bestimmten Bedingungen weniger gleichmäßig
und weniger fokussiert synchronisieren können.
Vergleichbare Ergebnisse wurden in ERP-Studien über HKS noch nicht gefunden.
In Klassifikationsexperimenten wurde untersucht, ob WN-Merkmale auch die nötige Trennschärfe besitzen,
um gesunde und HKS-Kinder verläßlich ihren Gruppen zuordnen zu können. Zum einen wurde ein
konventionellen Vorgehen gewählt: Parameter, die über WNs zur Repräsentation gewonnen worden waren,
wurden als Eingabemerkmale eines Klassifikators verwendet. Zum anderen fanden in einzelnen Fällen auch die
WNs zur Klassifikation Anwendung. Mit zwei Merkmalen konnte eine Reklassifikationsrate von 84% und mit
drei Merkmalen von 90% erzielt werden.
Conclusion
Wavelet-Netze zur Klassifikation stellen ein neues Werkzeug für Mustererkennungsaufgaben dar, in denen
Merkmale aus zeitveränderlichen (Bio-)Signalen (z.B. ERPs, EKG) diskriminierend verwendet werden können.
Im Rahmen dieser Arbeit wurde diese Methode erstmals in einer ERP-Studie angewendet, wobei vor allem die
methodischen Erweiterungen zu beachtlichen Ergebnissen geführt haben.
Wavelet-Netze zur Repräsentation ermöglichen mit dem in dieser Arbeit entwickelten Lernalgorithmus und
den definierten Variabilitätsmaßen eine umfassende ERP-Einzelsweepanalyse. In den bisherigen Studien, die
z.B. bei kinder- und jugendpsychiatrischen Störungsbildern durchgeführt wurden, blieb die Anwendung
ereignisbezogener Potentiale auf die Aufklärung des pathophysiologischen Hintergrundes beschränkt. Die
Beispiele und Ergebnisse dieser Arbeit deuten an, daß mit einer WN-basierten Einzelsweepanalyse
ereignisbezogene Potentiale möglicherweise auch in eine neurobiologische Diagnostik eingebunden werden
können.
