Abbildung 3. (a) mehrdeutiger Necker-Würfel und (b) disambiguierte Würfel-Varianten.

Bei längerer Betrachtung des mehrdeutigen Necker-Würfels (Abb. 3a, Necker 1832), einer der prominentesten sog. Kippfiguren, wird unsere Wahrnehmung instabil und wechselt spontan zwischen zwei Interpretationsmöglichkeiten (Abb. 3b) hin und her. Fügt man dem Bild des Necker-Würfels Tiefeninformation hinzu, wird der veränderte Würfel eindeutig und unsere Wahrnehmung stabil. In einer Reihe von EEG-Studien mit verschiedenen mehrdeutigen Stimuli und disambiguierten Varianten suchten wir nach Unterschieden zwischen der instabilen neuronalen Repräsentation mehrdeutiger und der stabilen Repräsentation eindeutiger visueller Information (Kornmeier & Bach 2009, Kornmeier et al. 2016, Joos et al. 2020a and 2020b). Zu unserer Überraschung fanden wir über grundverschiedene Stimulus-Kategorien hinweg ein sehr klares EEG-Muster mit niedrigen Amplituden zweier ereigniskorrelierter Potenziale („EKPs“, P200 und P400) bei mehrdeutigen Stimuli und hohen Amplituden bei eindeutigen Stimulus-Varianten (Abb. 4, Spalten 1 bis 3).

Mehrdeutigkeit scheint hier aber nicht der entscheidende Faktor zu sein, denn wir fanden mittlerweile sehr ähnliche Ergebnisse, wenn wir die Sichtbarkeit visueller Stimuli manipulierten, z.B. die Mundkrümmung von fröhlichen und traurigen Smileys (Abb. 4, rechte Spalte), oder den Linienverlauf von Buchstaben (hier ohne Abbildung).

In Kooperation mit der Klinik für Psychiatrie und Psychotherapie des Universitätsklinikums Freiburg, sowie der Psychiatrie Strasbourg untersuchen wir in diesem Zusammenhang u.a. Patienten mit psychiatrischen Erkrankungen, die zum Teil pathologisch unter instabilen Wahrnehmungs- und/oder mentalen Zuständen leiden, um Modelle und daraus resultierende Hypothesen zu testen und gleichzeitig diese Erkrankungen besser zu verstehen.

Abbildung 5. Grand mean Daten (± SEM) zur negativen Korrelation zwischen Kipprate bei Betrachtung eines Necker-Würfels (psychophysisches Maß) und Latenz einer Komponente des ereigniskorrelierten Potenzials (CPP: centro-parietal positivity). Das Einhergehen von höheren CPP-Latenzen mit niedrigeren Kippraten wird vom Necker-Zeno Modell auch quantitativ so vorhergesagt. Rote / blaue Sympole = Meditations-erfahrene / unerfahrene Probanden; helle Farben: passive Beobachtung; dunkle Farben: willentlicher Versuch, die Wahrnehmung stabil zu halten. Abbildung aus Kornmeier et al. 2017.

Trotz der bisherigen Erfolgsgeschichte naturwissenschaftlicher und insbesondere neu-rowissenschaftlicher Forschung gibt es noch keine überzeugenden Antworten auf zentrale Fragen zu Bewusstsein, freiem Willen oder zum psycho-physischen Problem. Interessant in diesem Zusammenhang sind allerdings Überlegungen, die der Physiker und Nobelpreisträger Wolfgang Pauli und der berühmte Psychiater Carl Gustav Jung (z.B. Atmanspacher & Fuchs 2014) zusammen angestellt haben und die schließlich Atmanspacher und Kollegen zur Formulierung der „Verallgemeinerten Quantentheorie“ führten (Atmanspacher et al. 2002). Die Verallgemeinerte Quantentheorie ist eine formale Rahmentheorie, die eine Anwendung mathematischer Grundlagen auch jenseits der Physik erlaubt, und aus der sich präzise und empirisch überprüfbare Hypothesen ableiten lassen. Ein sehr guter Übersichtsartikel von Harald Atmanspacher befindet sich in der Stanford Encyclopedia of Philosophy (Atmanspacher 2020). Atmanspacher und Kollegen wählten Bistabilität von Kippfiguren als Modellsituation für diese Theorie und entwickelten das sogenannte Necker-Zeno Modell für bistabile Wahrnehmung, das auf quantentheoretischen Überlegungen basiert (Atmanspacher et al. 2004, 2008). Das Necker-Zeno Modell präsentiert eine Relation dreier Observablen von drei verschiedenen Zeitskalen, die in Psychologie und Kognitionswissenschaften häufig diskutiert werden. In den vergangenen Jahren konnten wir sowohl psychophysische als auch elektrophysiologische empirische Bestätigung dieser Relation finden. Insbesondere postulieren die Autoren des Necker-Zeno Modells erhöhte Werte auf bestimmten Zeitskalen bei Menschen mit Meditationserfahrung, was wir vor einiger Zeit in einer EEG-Studie bestätigen konnten (Kornmeier et al. 2017).

Abbildung 6. Beispiel für ein Feedforward / Fully Connected Neural Network (aus Hramov et al. 2019). Blaue Kurven (links) sind Beispiele einzelner EEG Kurven von einer Versuchsperson. s_i, u_i und y sind Neurone eines künstlichen Netzwerks. ω_i symbolisieren Gewichtungen für die Informationsübertragung zwischen Neuronen aufeinander folgender Ebenen. Während des Trainings eines solchen künstlichen Netzwerks werden die ω_i schrittweise verändert um die Netzwerkleistung zu verbessern.

Wissenschaftliche Daten (in unserem Falle z.B. EEG, fMRI oder Verhaltensdaten) enthalten Muster, die wir meist mit bloßem Auge nicht sehen können. Ausgefeilte Analysemethoden erlauben jedoch, solche Muster zu identifizieren, ausgefeilte grafische Methoden ihre Darstellung. Auswertungsergebnisse hängen dabei immer sehr stark von der gewählten Methode, ihren technischen Einschränkungen und von den Methoden-spezifischen Annahmen ab. Methoden der künstlichen Intelligenz (KI) – und speziell des maschinellen Lernens (ML) – zeigen eine zunehmende Leistungsfähigkeit bei der Analyse von wissenschaftlichen Daten. ML-Methoden werden mittlerweile in neurowissenschaftlicher und dort speziell in der klinischen Forschung, z.B. bei der Segmentierung von 3D Tomographiebildern, oder bei Klassifikationsaufgaben in der Psychopathologie und anderen Bereichen verwendet (Milletari et al. 2016, Qureshi et al. 2019, Rad & Furlanello 2016).

Allerdings geht die oft höhere Leistungsfähigkeit von ML-Lösungen gegenüber früheren Standartmethoden mit einem langwierigen Training des künstlichen Netzwerks einher. Dabei gewinnen leistungsfähige Computer und insbesondere Hochleistungs-Grafikkarten immer mehr an Bedeutung. Im Herbst 2019 konnten wir in diesem Zusammenhang erfolgreich ein Eucor–Seeding Projekt zur Auswertung klinischer Daten einwerben. Darüber hinaus bekamen wir im Rahmen einer Ausschreibung der Firma NVIDIA den Zuschlag für eine Hochleistungs-Grafikkarte (Nvidia Titan V). Unter Einsatz dieser Grafikkarte werten wir aktuell vorhandene EEG-Daten mit KI-Methoden aus und entwickeln künstliche neuronale Netze zur Analyse der Quellen, welche dem EEG zugrunde liegen.

Abbildung 7. Links : Boxplots der Varianzen, die durch die Projektion der gefundenen Quellen auf die Kopfoberfläche erklärt werden, separat für die verschiedenen Quellenanalyse-Methoden. Die horizontale Linie (bei 81%) markiert den prozentualen Signalanteil in den künstlich erzeugten EEG-Daten. ConvDip erklärt signifikant mehr Varianz als die anderen zwei Methoden, unabhängig von der Anzahl der modellierten Quellen. Rechts: Normalisierte mittlere quadratische Fehler der verschiedenen inversen Lösungen für verschiedene Anzahlen modellierter Quellen. ConvDip produziert signifikant weniger normalisierte mittlere quadratische Fehler als die anderen beiden Methoden. Die weißen horizontalen Linien in den Boxplots markieren die Mediane, die Rechtecke darüber und darunter die Interquartilsbereiche. Die Whiskers umspannen die zentralen 95% der Daten.