Deutsch - US-amerikanische Kooperation in Computational Neuroscience: Entwicklung allgemeingültiger, hoch-dimensionaler Modelle neuronaler Repräsentationsräume

Heute ist es durch multivariate Analyseverfahren möglich, Informationen aus Hirnaktivierungsmustern zu dekodieren. Dennoch weiß man noch wenig darüber, inwieweit sich neuronale Kodes zwischen Individuen unterscheiden. Nachteil der bisherigen Methoden ist dabei, dass Dekodier-Modelle für jedes individuelle Gehirn separat erstellt werden müssen, da insbesondere die funktionelle Feinstruktur von zwei Gehirnen nur unzureichend in Kongruenz gebracht werden kann. In diesem Projekt werden Methoden entwickelt, mit deren Hilfe es möglich ist, Gemeinsamkeiten in der neuronalen Informationsrepräsentation zu entdecken und zu beschreiben, in dem individuelle Hirnaktivitätsmuster in einen gemeinsamen hoch-dimensionalen Raum projiziert werden, um dort Modelle der Repräsentationsräume verschiedener Hirnareale zu erstellen, die für eine große Bandbreite von Umweltreizen und Individuen gültig sind. Dies beinhaltet auch komplexe kortikale Netzwerke die nicht konsistent auf externe Stimulation reagieren (z.B. für soziale Kognition).
Es werden die Algorithmen "Hyperalignment" und "Hyperalignment für funktionelle Konnektivität" entwickelt, die jeweils für die Anwendung auf funktionelle Hirnaktivierungsprofile, beziehungsweise Konnektivitätsmuster zwischen Hirnarealen optimiert sind. Zur Validerung werden Daten mit funktioneller Magnetresonanztomographie bei komplexer visueller und auditorischer Stimulation erhoben, um die zugrundeliegenden Repräsentationsräume zu analysieren.