Masticationpedia

Difference between revisions of "Store:EEMIde03"

Store Discussion
Line 1: Line 1:
=== Patterns & Math ===
=== Patterns & Math ===
Indeed, the same set of structured patterns of neural activity have been found during "active" states, such as, while completing different tasks<ref>Biswal BB, Eldreth DA, Motes MA, Rypma B. Task-dependent individual differences in prefrontal connectivity. Cereb. Cortex. 2010;20:2188–2197. doi: 10.1093/cercor/bhp284. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref><ref>Fox MD, Raichle ME. Spontaneous fluctuations in brain activity observed with functional magnetic resonance imaging. Nat. Rev. Neurosci. 2007;8:700–711. doi: 10.1038/nrn2201. [PubMed] [CrossRef] [Google Scholar]</ref><ref>Kraus BT, et al. Network variants are similar between task and rest states. Neuroimage. 2021;229:117743. doi: 10.1016/j.neuroimage.2021.117743. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref>. For instance, there is a high degree of correspondence between networks extracted during rest and those extracted during tasks measuring sensorimotor<ref>Kristo G, et al. Task and task-free FMRI reproducibility comparison for motor network identification. Hum. Brain Mapp. 2014;35:340–352. doi: 10.1002/hbm.22180. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref><ref>Sui J, Adali T, Pearlson GD, Calhoun VD. An ICA-based method for the identification of optimal FMRI features and components using combined group-discriminative techniques. Neuroimage. 2009;46:73–86. doi: 10.1016/j.neuroimage.2009.01.026.[PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref> and higher-level cognitive abilities (i.e., working memory)<ref>Calhoun VD, Kiehl KA, Pearlson GD. Modulation of temporally coherent brain networks estimated using ICA at rest and during cognitive tasks. Hum. Brain Mapp. 2008;29:828–838. doi: 10.1002/hbm.20581. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref><ref>Xie H, et al. Whole-brain connectivity dynamics reflect both task-specific and individual-specific modulation: A multitask study. Neuroimage. 2018;180:495–504. doi: 10.1016/j.neuroimage.2017.05.050. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>.Even completing a task as complicated as following the plot of a movie elicits the same network architecture as observed in the resting brain<ref name=":0">Naci L, Cusack R, Anello M, Owen AM. A common neural code for similar conscious experiences in different individuals. Proc. Natl. Acad. Sci. U. S. A. 2014;111:14277–14282. doi: 10.1073/pnas.1407007111. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>. The correspondence between task and rest-based networks is so strong that task-based fMRI network activity can be predicted from the resting state<ref>Kannurpatti SS, Rypma B, Biswal BB. Prediction of task-related BOLD fMRI with amplitude signatures of resting-state fMRI. Front. Syst. Neurosci. 2012;6:7. doi: 10.3389/fnsys.2012.00007.[PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>, and rest-task network pairs can be identified at the individual level<ref>Elliott ML, et al. General functional connectivity: Shared features of resting-state and task fMRI drive reliable and heritable individual differences in functional brain networks. Neuroimage. 2019;189:516–532. doi: 10.1016/j.neuroimage.2019.01.068. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref>16. Together, these results suggest that rest and task-based patterns of brain activity likely share a similar underlying neural architecture, despite distinct experiences and cognitive processes<ref>Cole MW, Ito T, Cocuzza C, Sanchez-Romero R. The functional relevance of task-state functional connectivity. J. Neurosci. 2021 doi: 10.1523/JNEUROSCI.1713-20.2021. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref>.
Tatsächlich wurde der gleiche Satz strukturierter Muster neuronaler Aktivität während "aktiver" Zustände gefunden, beispielsweise während der Erledigung verschiedener Aufgaben.<ref>Biswal BB, Eldreth DA, Motes MA, Rypma B. Task-dependent individual differences in prefrontal connectivity. Cereb. Cortex. 2010;20:2188–2197. doi: 10.1093/cercor/bhp284. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref><ref>Fox MD, Raichle ME. Spontaneous fluctuations in brain activity observed with functional magnetic resonance imaging. Nat. Rev. Neurosci. 2007;8:700–711. doi: 10.1038/nrn2201. [PubMed] [CrossRef] [Google Scholar]</ref><ref>Kraus BT, et al. Network variants are similar between task and rest states. Neuroimage. 2021;229:117743. doi: 10.1016/j.neuroimage.2021.117743. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref>. Zum Beispiel gibt es einen hohen Grad an Übereinstimmung zwischen Netzwerken, die während der Ruhe extrahiert wurden, und denen, die während sensomotorischer Aufgaben extrahiert wurden<ref>Kristo G, et al. Task and task-free FMRI reproducibility comparison for motor network identification. Hum. Brain Mapp. 2014;35:340–352. doi: 10.1002/hbm.22180. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref><ref>Sui J, Adali T, Pearlson GD, Calhoun VD. An ICA-based method for the identification of optimal FMRI features and components using combined group-discriminative techniques. Neuroimage. 2009;46:73–86. doi: 10.1016/j.neuroimage.2009.01.026.[PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref> und kognitive Fähigkeiten auf höherer Ebene (dh Arbeitsgedächtnis).<ref>Calhoun VD, Kiehl KA, Pearlson GD. Modulation of temporally coherent brain networks estimated using ICA at rest and during cognitive tasks. Hum. Brain Mapp. 2008;29:828–838. doi: 10.1002/hbm.20581. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref><ref>Xie H, et al. Whole-brain connectivity dynamics reflect both task-specific and individual-specific modulation: A multitask study. Neuroimage. 2018;180:495–504. doi: 10.1016/j.neuroimage.2017.05.050. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>.


There are, however, important differences between the patterns of brain activity elicited during rest and task-based paradigms, and the set of experiences and cognitive processes associated with each<ref>Zhang S, et al. Characterizing and differentiating task-based and resting state fMRI signals via two-stage sparse representations. Brain Imaging Behav. 2016;10:21–32. doi: 10.1007/s11682-015-9359-7.[PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>. For instance, the presence or absence of a task is accompanied by increases in variability across different scales including neuronal firing rates changes in field potentials<ref>Monier C, Chavane F, Baudot P, Graham LJ, Frégnac Y. Orientation and direction selectivity of synaptic inputs in visual cortical neurons: A diversity of combinations produces spike tuning. Neuron. 2003;37:663–680. doi: 10.1016/S0896-6273(03)00064-3.[PubMed] [CrossRef] [Google Scholar]</ref><ref>Churchland MM, et al. Stimulus onset quenches neural variability: A widespread cortical phenomenon. Nat. Neurosci. 2010;13:369–378. doi: 10.1038/nn.2501. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref>, variation in fMRI blood oxygen level dependent (BOLD signal)<ref name=":1">He BJ. Spontaneous and task-evoked brain activity negatively interact. J. Neurosci. 2013;33:4672–4682. doi: 10.1523/JNEUROSCI.2922-12.2013. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref> and in EEG frequency bands<ref name=":2">Bonnard M, et al. Resting state brain dynamics and its transients: A combined TMS-EEG study. Sci. Rep. 2016;6:1–9. doi: 10.1038/srep31220. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref> Furthermore, through transcranial direct current stimulation (tDCS) it has been shown that frontal-lobe stimulation increases one’s proclivity to mind wander <ref name=":8">Axelrod V, Zhu X, Qiu J. Transcranial stimulation of the frontal lobes increases propensity of mind-wandering without changing meta-awareness. Sci. Rep. 2018;8:1–14. doi: 10.1038/s41598-018-34098-z. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref><ref name=":3">Axelrod V, Rees G, Lavidor M, Bar M. Increasing propensity to mind-wander with transcranial direct current stimulation. Proc. Natl. Acad. Sci. U. S. A. 2015;112:3314–3319. doi: 10.1073/pnas.1421435112. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>. Importantly, these differences are associated with changes in properties of neural activity but not in changes in the underlying neural architecture.
Sogar das Erledigen einer so komplizierten Aufgabe wie das Verfolgen der Handlung eines Films ruft die gleiche Netzwerkarchitektur hervor, die im ruhenden Gehirn beobachtet wird.<ref name=":0">Naci L, Cusack R, Anello M, Owen AM. A common neural code for similar conscious experiences in different individuals. Proc. Natl. Acad. Sci. U. S. A. 2014;111:14277–14282. doi: 10.1073/pnas.1407007111. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref> Die Übereinstimmung zwischen aufgaben- und ruhebasierten Netzwerken ist so stark, dass die aufgabenbasierte fMRI-Netzwerkaktivität aus dem Ruhezustand vorhergesagt werden kann,<ref>Kannurpatti SS, Rypma B, Biswal BB. Prediction of task-related BOLD fMRI with amplitude signatures of resting-state fMRI. Front. Syst. Neurosci. 2012;6:7. doi: 10.3389/fnsys.2012.00007.[PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref> und Rest-Task-Netzwerkpaare können auf individueller Ebene identifiziert werden.<ref>Elliott ML, et al. General functional connectivity: Shared features of resting-state and task fMRI drive reliable and heritable individual differences in functional brain networks. Neuroimage. 2019;189:516–532. doi: 10.1016/j.neuroimage.2019.01.068. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref> Zusammengenommen legen diese Ergebnisse nahe, dass ruhe- und aufgabenbasierte Muster der Gehirnaktivität trotz unterschiedlicher Erfahrungen und kognitiver Prozesse wahrscheinlich eine ähnliche zugrunde liegende neuronale Architektur aufweisen.<ref>Cole MW, Ito T, Cocuzza C, Sanchez-Romero R. The functional relevance of task-state functional connectivity. J. Neurosci. 2021 doi: 10.1523/JNEUROSCI.1713-20.2021. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref>


Is there a way to identify the shared neural architecture underlying the cognitive processes associated with rest and active states while also quantifying how these processes diverge from that shared architecture of neural activity? In this paper, we applied mathematical methods analogous to those of quantum mechanics, and the concept of phase space to EEG recorded during rest and movie-watching to extract spatial and transitional properties of dynamic neural activity. Quantum mechanics was developed to describe the dynamics of the subatomic world in terms of probability amplitudes and densities of states. Quantum systems (in the Schrodinger formulation of quantum mechanics) are described by wavefunctions which square to a probability distribution leading to the loss of local determinism and the Heisenberg uncertainty principle (for an overview/intro to the subject see<ref name=":7">Townsend JS. A Modern Approach to Quantum Mechanics.University Science Books; 2012. [Google Scholar]</ref>. This uncertainty principle places a fundamental limit on the location and the momentum of a point particle <ref>Heisenberg W. Über den anschaulichen Inhalt der quantentheoretischen Kinematik und Mechanik. Z. Phys. 1927;43:172–198. doi: 10.1007/BF01397280. [CrossRef] [Google Scholar]</ref>. In essence, if the position of a particle is known there is an underlying uncertainty in its momentum (one cannot precisely say how fast it is going) and vice versa. In addition to the adaptation of the wavefunction approach to quantum mechanics in this paper, we also employed a phase space model. Phase space is a widely used tool in the study of dynamical systems, where the positional variables are paired with their conjugate momenta which establishes a multidimensional space that describes all possible configurations of the given system. This space spans the entire range of states that a system can exist in, each point (in this hyper-space) represents a single state of the system. Phase space and its assorted formalisms are a classical concept, and we simply use it as another tool for analysing the EEG data. Herein, the mathematical methods of quantum mechanics are applied to EEG data to extract a proxy to phase space. This quasi-quantum approach naturally generates the concepts of ‘average’ position, ‘average’ momentum and culminates in an analogous Heisenberg uncertainty principle.
Es gibt jedoch wichtige Unterschiede zwischen den Mustern der Gehirnaktivität, die während Ruhezeiten und aufgabenbasierten Paradigmen ausgelöst werden, und den damit verbundenen Erfahrungen und kognitiven Prozessen.<ref>Zhang S, et al. Characterizing and differentiating task-based and resting state fMRI signals via two-stage sparse representations. Brain Imaging Behav. 2016;10:21–32. doi: 10.1007/s11682-015-9359-7.[PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>


In this paper, we posit that using mathematical tools drawn from quantum mechanics, an underlying pattern representative of task and resting brain activity can be realised, in which differences across conditions are apparent, but culminates in a task independent constant value. It is important to note that we are not claiming that the brain behaves as a quantum object as some believe<ref>Penrose R. The Emperor’s New Mind. Viking Penguin; 1990. [Google Scholar]</ref> <ref>Penrose R. Shadows of the Mind: A Search for the Missing Science of Consciousness. Oxford University Press; 1994. [Google Scholar]
Zum Beispiel wird das Vorhandensein oder Fehlen einer Aufgabe von einer Zunahme der Variabilität über verschiedene Skalen begleitet, einschließlich neuronaler Feuerraten, Änderungen der Feldpotentiale,<ref>Monier C, Chavane F, Baudot P, Graham LJ, Frégnac Y. Orientation and direction selectivity of synaptic inputs in visual cortical neurons: A diversity of combinations produces spike tuning. Neuron. 2003;37:663–680. doi: 10.1016/S0896-6273(03)00064-3.[PubMed] [CrossRef] [Google Scholar]</ref><ref>Churchland MM, et al. Stimulus onset quenches neural variability: A widespread cortical phenomenon. Nat. Neurosci. 2010;13:369–378. doi: 10.1038/nn.2501. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref>, Variation im fMRI-Blutsauerstoffspiegel abhängig (FETT-Signal)<ref name=":1">He BJ. Spontaneous and task-evoked brain activity negatively interact. J. Neurosci. 2013;33:4672–4682. doi: 10.1523/JNEUROSCI.2922-12.2013. [PMC free article][PubMed] [CrossRef] [Google Scholar]</ref> und im EEG-Frequenzband.<ref name=":2">Bonnard M, et al. Resting state brain dynamics and its transients: A combined TMS-EEG study. Sci. Rep. 2016;6:1–9. doi: 10.1038/srep31220. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref> Darüber hinaus wurde durch transkranielle Gleichstromstimulation (tDCS) gezeigt, dass die Frontallappenstimulation die Neigung zum Gedankenwandern erhöht.<ref name=":8">Axelrod V, Zhu X, Qiu J. Transcranial stimulation of the frontal lobes increases propensity of mind-wandering without changing meta-awareness. Sci. Rep. 2018;8:1–14. doi: 10.1038/s41598-018-34098-z. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref><ref name=":3">Axelrod V, Rees G, Lavidor M, Bar M. Increasing propensity to mind-wander with transcranial direct current stimulation. Proc. Natl. Acad. Sci. U. S. A. 2015;112:3314–3319. doi: 10.1073/pnas.1421435112. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>. Wichtig ist, dass diese Unterschiede mit Änderungen in den Eigenschaften der neuralen Aktivität verbunden sind, aber nicht mit Änderungen in der zugrunde liegenden neuralen Architektur.


</ref> <ref>Atmanspacher H. Quantum Approaches to Consciousness.Stanford Encyclopedia of Philosophy; 2004. [Google Scholar]</ref><ref>Hameroff S. How quantum brain biology can rescue conscious free will. Front. Integr. Neurosci. 2012;6:93. doi: 10.3389/fnint.2012.00093. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>. Rather, we have employed some of the analytical tools from the Schrodinger formulation of quantum mechanics to the brain with the aim of gaining new insight into resting and task-based brain dynamics. Not only does devising this model probe questions into the functions of the brain, but it also provides a novel approach to analysing the myriad of data available in neuroscience.
Gibt es eine Möglichkeit, die gemeinsame neuronale Architektur zu identifizieren, die den kognitiven Prozessen im Zusammenhang mit Ruhe- und Aktivitätszuständen zugrunde liegt, und gleichzeitig zu quantifizieren, wie diese Prozesse von dieser gemeinsamen Architektur der neuronalen Aktivität abweichen? In diesem Artikel haben wir mathematische Methoden analog zu denen der Quantenmechanik und das Konzept des Phasenraums auf EEGs angewendet, die während der Ruhe und beim Ansehen von Filmen aufgezeichnet wurden, um räumliche und Übergangseigenschaften dynamischer neuronaler Aktivität zu extrahieren. Die Quantenmechanik wurde entwickelt, um die Dynamik der subatomaren Welt in Form von Wahrscheinlichkeitsamplituden und Zustandsdichten zu beschreiben. Quantensysteme (in der Schrödinger-Formulierung der Quantenmechanik) werden durch Wellenfunktionen beschrieben, die im Quadrat zu einer Wahrscheinlichkeitsverteilung stehen, was zum Verlust des lokalen Determinismus und der Heisenbergschen Unschärferelation führt (für einen Überblick/Einführung in das Thema siehe.<ref name=":7">Townsend JS. A Modern Approach to Quantum Mechanics.University Science Books; 2012. [Google Scholar]</ref>
 
Diese Unschärferelation setzt dem Ort und dem Impuls eines Punktteilchens eine fundamentale Grenze.<ref>Heisenberg W. Über den anschaulichen Inhalt der quantentheoretischen Kinematik und Mechanik. Z. Phys. 1927;43:172–198. doi: 10.1007/BF01397280. [CrossRef] [Google Scholar]</ref>
 
Wenn die Position eines Teilchens bekannt ist, gibt es im Wesentlichen eine zugrunde liegende Unsicherheit in seinem Impuls (man kann nicht genau sagen, wie schnell es sich bewegt) und umgekehrt. Neben der Anpassung des Wellenfunktionsansatzes an die Quantenmechanik in dieser Arbeit haben wir auch ein Phasenraummodell verwendet. Der Phasenraum ist ein weit verbreitetes Werkzeug bei der Untersuchung dynamischer Systeme, bei dem die Positionsvariablen mit ihren konjugierten Impulsen gepaart werden, wodurch ein mehrdimensionaler Raum entsteht, der alle möglichen Konfigurationen des gegebenen Systems beschreibt. Dieser Raum umfasst den gesamten Bereich von Zuständen, in denen ein System existieren kann, jeder Punkt (in diesem Hyperraum) repräsentiert einen einzelnen Zustand des Systems. Der Phasenraum und seine verschiedenen Formalismen sind ein klassisches Konzept, und wir verwenden es einfach als ein weiteres Werkzeug zur Analyse der EEG-Daten. Hier werden die mathematischen Methoden der Quantenmechanik auf EEG-Daten angewendet, um einen Proxy für den Phasenraum zu extrahieren. Dieser Quasi-Quanten-Ansatz erzeugt natürlich die Konzepte „durchschnittlicher“ Ort, „durchschnittlicher“ Impuls und gipfelt in einer analogen Heisenberg-Unschärferelation.
 
In diesem Artikel postulieren wir, dass mit mathematischen Werkzeugen aus der Quantenmechanik ein zugrunde liegendes Muster realisiert werden kann, das repräsentativ für Aufgaben- und Ruhehirnaktivität ist, in dem Unterschiede zwischen den Bedingungen offensichtlich sind, aber in einem aufgabenunabhängigen konstanten Wert gipfeln. Es ist wichtig anzumerken, dass wir nicht behaupten, dass sich das Gehirn wie ein Quantenobjekt verhält, wie manche glauben.<ref>Penrose R. The Emperor’s New Mind. Viking Penguin; 1990. [Google Scholar]</ref> <ref>Penrose R. Shadows of the Mind: A Search for the Missing Science of Consciousness. Oxford University Press; 1994. [Google Scholar]
</ref> <ref>Atmanspacher H. Quantum Approaches to Consciousness.Stanford Encyclopedia of Philosophy; 2004. [Google Scholar]</ref><ref>Hameroff S. How quantum brain biology can rescue conscious free will. Front. Integr. Neurosci. 2012;6:93. doi: 10.3389/fnint.2012.00093. [PMC free article] [PubMed] [CrossRef] [Google Scholar]</ref>.
 
Vielmehr haben wir einige der analytischen Werkzeuge aus der Schrödinger-Formulierung der Quantenmechanik auf das Gehirn angewendet, um neue Einblicke in die Ruhe- und aufgabenbasierte Gehirndynamik zu gewinnen. Die Entwicklung dieses Modells untersucht nicht nur die Funktionen des Gehirns, sondern bietet auch einen neuartigen Ansatz zur Analyse der unzähligen Daten, die in den Neurowissenschaften verfügbar sind.

Revision as of 18:43, 26 March 2023

Patterns & Math

Tatsächlich wurde der gleiche Satz strukturierter Muster neuronaler Aktivität während "aktiver" Zustände gefunden, beispielsweise während der Erledigung verschiedener Aufgaben.[1][2][3]. Zum Beispiel gibt es einen hohen Grad an Übereinstimmung zwischen Netzwerken, die während der Ruhe extrahiert wurden, und denen, die während sensomotorischer Aufgaben extrahiert wurden[4][5] und kognitive Fähigkeiten auf höherer Ebene (dh Arbeitsgedächtnis).[6][7].

Sogar das Erledigen einer so komplizierten Aufgabe wie das Verfolgen der Handlung eines Films ruft die gleiche Netzwerkarchitektur hervor, die im ruhenden Gehirn beobachtet wird.[8] Die Übereinstimmung zwischen aufgaben- und ruhebasierten Netzwerken ist so stark, dass die aufgabenbasierte fMRI-Netzwerkaktivität aus dem Ruhezustand vorhergesagt werden kann,[9] und Rest-Task-Netzwerkpaare können auf individueller Ebene identifiziert werden.[10] Zusammengenommen legen diese Ergebnisse nahe, dass ruhe- und aufgabenbasierte Muster der Gehirnaktivität trotz unterschiedlicher Erfahrungen und kognitiver Prozesse wahrscheinlich eine ähnliche zugrunde liegende neuronale Architektur aufweisen.[11]

Es gibt jedoch wichtige Unterschiede zwischen den Mustern der Gehirnaktivität, die während Ruhezeiten und aufgabenbasierten Paradigmen ausgelöst werden, und den damit verbundenen Erfahrungen und kognitiven Prozessen.[12]

Zum Beispiel wird das Vorhandensein oder Fehlen einer Aufgabe von einer Zunahme der Variabilität über verschiedene Skalen begleitet, einschließlich neuronaler Feuerraten, Änderungen der Feldpotentiale,[13][14], Variation im fMRI-Blutsauerstoffspiegel abhängig (FETT-Signal)[15] und im EEG-Frequenzband.[16] Darüber hinaus wurde durch transkranielle Gleichstromstimulation (tDCS) gezeigt, dass die Frontallappenstimulation die Neigung zum Gedankenwandern erhöht.[17][18]. Wichtig ist, dass diese Unterschiede mit Änderungen in den Eigenschaften der neuralen Aktivität verbunden sind, aber nicht mit Änderungen in der zugrunde liegenden neuralen Architektur.

Gibt es eine Möglichkeit, die gemeinsame neuronale Architektur zu identifizieren, die den kognitiven Prozessen im Zusammenhang mit Ruhe- und Aktivitätszuständen zugrunde liegt, und gleichzeitig zu quantifizieren, wie diese Prozesse von dieser gemeinsamen Architektur der neuronalen Aktivität abweichen? In diesem Artikel haben wir mathematische Methoden analog zu denen der Quantenmechanik und das Konzept des Phasenraums auf EEGs angewendet, die während der Ruhe und beim Ansehen von Filmen aufgezeichnet wurden, um räumliche und Übergangseigenschaften dynamischer neuronaler Aktivität zu extrahieren. Die Quantenmechanik wurde entwickelt, um die Dynamik der subatomaren Welt in Form von Wahrscheinlichkeitsamplituden und Zustandsdichten zu beschreiben. Quantensysteme (in der Schrödinger-Formulierung der Quantenmechanik) werden durch Wellenfunktionen beschrieben, die im Quadrat zu einer Wahrscheinlichkeitsverteilung stehen, was zum Verlust des lokalen Determinismus und der Heisenbergschen Unschärferelation führt (für einen Überblick/Einführung in das Thema siehe.[19]

Diese Unschärferelation setzt dem Ort und dem Impuls eines Punktteilchens eine fundamentale Grenze.[20]

Wenn die Position eines Teilchens bekannt ist, gibt es im Wesentlichen eine zugrunde liegende Unsicherheit in seinem Impuls (man kann nicht genau sagen, wie schnell es sich bewegt) und umgekehrt. Neben der Anpassung des Wellenfunktionsansatzes an die Quantenmechanik in dieser Arbeit haben wir auch ein Phasenraummodell verwendet. Der Phasenraum ist ein weit verbreitetes Werkzeug bei der Untersuchung dynamischer Systeme, bei dem die Positionsvariablen mit ihren konjugierten Impulsen gepaart werden, wodurch ein mehrdimensionaler Raum entsteht, der alle möglichen Konfigurationen des gegebenen Systems beschreibt. Dieser Raum umfasst den gesamten Bereich von Zuständen, in denen ein System existieren kann, jeder Punkt (in diesem Hyperraum) repräsentiert einen einzelnen Zustand des Systems. Der Phasenraum und seine verschiedenen Formalismen sind ein klassisches Konzept, und wir verwenden es einfach als ein weiteres Werkzeug zur Analyse der EEG-Daten. Hier werden die mathematischen Methoden der Quantenmechanik auf EEG-Daten angewendet, um einen Proxy für den Phasenraum zu extrahieren. Dieser Quasi-Quanten-Ansatz erzeugt natürlich die Konzepte „durchschnittlicher“ Ort, „durchschnittlicher“ Impuls und gipfelt in einer analogen Heisenberg-Unschärferelation.

In diesem Artikel postulieren wir, dass mit mathematischen Werkzeugen aus der Quantenmechanik ein zugrunde liegendes Muster realisiert werden kann, das repräsentativ für Aufgaben- und Ruhehirnaktivität ist, in dem Unterschiede zwischen den Bedingungen offensichtlich sind, aber in einem aufgabenunabhängigen konstanten Wert gipfeln. Es ist wichtig anzumerken, dass wir nicht behaupten, dass sich das Gehirn wie ein Quantenobjekt verhält, wie manche glauben.[21] [22] [23][24].

Vielmehr haben wir einige der analytischen Werkzeuge aus der Schrödinger-Formulierung der Quantenmechanik auf das Gehirn angewendet, um neue Einblicke in die Ruhe- und aufgabenbasierte Gehirndynamik zu gewinnen. Die Entwicklung dieses Modells untersucht nicht nur die Funktionen des Gehirns, sondern bietet auch einen neuartigen Ansatz zur Analyse der unzähligen Daten, die in den Neurowissenschaften verfügbar sind.

  1. ↑ Biswal BB, Eldreth DA, Motes MA, Rypma B. Task-dependent individual differences in prefrontal connectivity. Cereb. Cortex. 2010;20:2188–2197. doi: 10.1093/cercor/bhp284. [PMC free article][PubMed] [CrossRef] [Google Scholar]
  2. ↑ Fox MD, Raichle ME. Spontaneous fluctuations in brain activity observed with functional magnetic resonance imaging. Nat. Rev. Neurosci. 2007;8:700–711. doi: 10.1038/nrn2201. [PubMed] [CrossRef] [Google Scholar]
  3. ↑ Kraus BT, et al. Network variants are similar between task and rest states. Neuroimage. 2021;229:117743. doi: 10.1016/j.neuroimage.2021.117743. [PMC free article][PubMed] [CrossRef] [Google Scholar]
  4. ↑ Kristo G, et al. Task and task-free FMRI reproducibility comparison for motor network identification. Hum. Brain Mapp. 2014;35:340–352. doi: 10.1002/hbm.22180. [PMC free article][PubMed] [CrossRef] [Google Scholar]
  5. ↑ Sui J, Adali T, Pearlson GD, Calhoun VD. An ICA-based method for the identification of optimal FMRI features and components using combined group-discriminative techniques. Neuroimage. 2009;46:73–86. doi: 10.1016/j.neuroimage.2009.01.026.[PMC free article] [PubMed] [CrossRef] [Google Scholar]
  6. ↑ Calhoun VD, Kiehl KA, Pearlson GD. Modulation of temporally coherent brain networks estimated using ICA at rest and during cognitive tasks. Hum. Brain Mapp. 2008;29:828–838. doi: 10.1002/hbm.20581. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
  7. ↑ Xie H, et al. Whole-brain connectivity dynamics reflect both task-specific and individual-specific modulation: A multitask study. Neuroimage. 2018;180:495–504. doi: 10.1016/j.neuroimage.2017.05.050. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
  8. ↑ Naci L, Cusack R, Anello M, Owen AM. A common neural code for similar conscious experiences in different individuals. Proc. Natl. Acad. Sci. U. S. A. 2014;111:14277–14282. doi: 10.1073/pnas.1407007111. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
  9. ↑ Kannurpatti SS, Rypma B, Biswal BB. Prediction of task-related BOLD fMRI with amplitude signatures of resting-state fMRI. Front. Syst. Neurosci. 2012;6:7. doi: 10.3389/fnsys.2012.00007.[PMC free article] [PubMed] [CrossRef] [Google Scholar]
  10. ↑ Elliott ML, et al. General functional connectivity: Shared features of resting-state and task fMRI drive reliable and heritable individual differences in functional brain networks. Neuroimage. 2019;189:516–532. doi: 10.1016/j.neuroimage.2019.01.068. [PMC free article][PubMed] [CrossRef] [Google Scholar]
  11. ↑ Cole MW, Ito T, Cocuzza C, Sanchez-Romero R. The functional relevance of task-state functional connectivity. J. Neurosci. 2021 doi: 10.1523/JNEUROSCI.1713-20.2021. [PMC free article][PubMed] [CrossRef] [Google Scholar]
  12. ↑ Zhang S, et al. Characterizing and differentiating task-based and resting state fMRI signals via two-stage sparse representations. Brain Imaging Behav. 2016;10:21–32. doi: 10.1007/s11682-015-9359-7.[PMC free article] [PubMed] [CrossRef] [Google Scholar]
  13. ↑ Monier C, Chavane F, Baudot P, Graham LJ, Frégnac Y. Orientation and direction selectivity of synaptic inputs in visual cortical neurons: A diversity of combinations produces spike tuning. Neuron. 2003;37:663–680. doi: 10.1016/S0896-6273(03)00064-3.[PubMed] [CrossRef] [Google Scholar]
  14. ↑ Churchland MM, et al. Stimulus onset quenches neural variability: A widespread cortical phenomenon. Nat. Neurosci. 2010;13:369–378. doi: 10.1038/nn.2501. [PMC free article][PubMed] [CrossRef] [Google Scholar]
  15. ↑ He BJ. Spontaneous and task-evoked brain activity negatively interact. J. Neurosci. 2013;33:4672–4682. doi: 10.1523/JNEUROSCI.2922-12.2013. [PMC free article][PubMed] [CrossRef] [Google Scholar]
  16. ↑ Bonnard M, et al. Resting state brain dynamics and its transients: A combined TMS-EEG study. Sci. Rep. 2016;6:1–9. doi: 10.1038/srep31220. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
  17. ↑ Axelrod V, Zhu X, Qiu J. Transcranial stimulation of the frontal lobes increases propensity of mind-wandering without changing meta-awareness. Sci. Rep. 2018;8:1–14. doi: 10.1038/s41598-018-34098-z. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
  18. ↑ Axelrod V, Rees G, Lavidor M, Bar M. Increasing propensity to mind-wander with transcranial direct current stimulation. Proc. Natl. Acad. Sci. U. S. A. 2015;112:3314–3319. doi: 10.1073/pnas.1421435112. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
  19. ↑ Townsend JS. A Modern Approach to Quantum Mechanics.University Science Books; 2012. [Google Scholar]
  20. ↑ Heisenberg W. Über den anschaulichen Inhalt der quantentheoretischen Kinematik und Mechanik. Z. Phys. 1927;43:172–198. doi: 10.1007/BF01397280. [CrossRef] [Google Scholar]
  21. ↑ Penrose R. The Emperor’s New Mind. Viking Penguin; 1990. [Google Scholar]
  22. ↑ Penrose R. Shadows of the Mind: A Search for the Missing Science of Consciousness. Oxford University Press; 1994. [Google Scholar]
  23. ↑ Atmanspacher H. Quantum Approaches to Consciousness.Stanford Encyclopedia of Philosophy; 2004. [Google Scholar]
  24. ↑ Hameroff S. How quantum brain biology can rescue conscious free will. Front. Integr. Neurosci. 2012;6:93. doi: 10.3389/fnint.2012.00093. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
Retrieved from "https://www.masticationpedia.org/index.php?title=Store:EEMIde03&oldid=15130"