Publications

Eine weithin akzeptierte Hypothese der Neurobiologie besagt, dass die spontane Aktivität neuronaler Netzwerke während der Gehirnentwicklung von wesentlicher Bedeutung für die physiologische Ausreifung des Kortex ist. Es besteht daher ein großes Interesse, frühe Formen spontaner Netzwerkaktivität raumzeitlich hochaufgelöst zu charakterisieren. In der vorliegenden Arbeit diente der intakte visuelle Kortex der Maus dabei als Versuchsmodell zur Erfassung der neonatalen Netzwerkaktivität in Form von raumzeitlich koordinierten somatischen Kalziumtransienten mittels eines selbst zusammengebauten Zweiphotonenmikroskops in Kombination mit einer zelltypspezifischen Expression genetisch kodierter Fluoreszenzindikatoren. Fluoreszenzmikroskopische Messungen neuronaler Netzwerkaktivität in drei Raumdimensionen sind nur unter Bildung eines Kompromisses aus räumlicher und zeitlicher Auflösung möglich. Eine Realisierungsmöglichkeit besteht in der Verwendung spiralförmiger Raumtrajektorien. Da dieses Verfahren über eine zu geringe räumliche Auflösung für einen Bildaufbau zur direkten Bestimmung von abgetasteten Raumpositionen verfügt, muss eine Validierung der Positionierung durchgeführt werden. In der vorliegenden Arbeit wurde zunächst ein Verfahren entwickelt, um die laterale und die axiale Positioniergenauigkeit zu validieren. Die Anwendung des Verfahrens auf hardwareoptimierte Scantrajektorien hat ergeben, dass die für die einzelzelluläre Registrierung neuronaler Netzwerkaktivität benötigte Positioniergenauigkeit erreicht werden kann. Wie bildbasierte Epifluoreszenzmessungen gezeigt haben, besteht die neonatale Netzwerkaktivität im Wesentlichen aus niederfrequent auftretenden, räumlich ausgedehnten Clustern. Die Messungen belegen ferner, dass die Generierung dieser Clusteraktivität durch den Neurotransmitter γ-Aminobuttersäure (GABA) sowohl räumlich als auch zeitlich inhibiert wird. Dieser hemmende Effekt auf die Netzwerkaktivität geht einher mit einer depolarisierenden GABA-Wirkung auf einzelzellulärer Ebene, welche für spannungsabhängige Kalzium- und Natriumkanäle größtenteils unterschwellig ist. Um diese Netzwerkaktivität weiter raumzeitlich zu charakterisieren, wurden dreidimensionale zweiphotonengestützte Messungen mittels optimierter positionsvalidierter Scantrajektorien durchgeführt. Diese Messungen ergaben, dass kortikale Cluster lateral begrenzt sind, während ihre axiale Ausdehnung typischerweise die gesamte obere kortikale Platte umfasst. Einzelzelluläre Ableitungen glutamaterger Neurone belegten zudem, dass die Cluster ein hohes Maß an Koaktivierung benachbarter Zellen aufweisen. Die vorliegende Arbeit dokumentiert eine für zweiphotonenmikroskopische Einzelzellableitungen hinreichend genaue Positionierung optimierter Scantrajektorien, deren Anwendung neue Erkenntnisse zur raumzeitlichen Struktur der Netzwerkaktivität im unreifen Kortex lieferte.

Mit der vorliegenden Arbeit ist es gelungen, ein adaptives Lernsystem "ENKOS" ("Energie- und Komfortmanagementsystem") auf Basis von Learning Classifier Systems zu entwickeln, um menschliche Verhaltensweisen in Bezug auf die Benutzung elektrischer Geräte in einem Haushalt zu lernen. Diese konnten für die Steigerung des Wohnkomforts durch eine intelligente Vorhersage eingesetzt werden. Der Lernalgorithmus bezieht zum einen die Korrektur der Entscheidung von ENKOS durch den Nutzer und zum anderen die Korrekturzeit ein und realisiert damit adaptives "Smart Home"-System mit einem völlig neuen Ansatz. Die Informationen, die durch die Benutzungsmuster von elektrischen Geräten durch die Nutzer erhoben werden können, werden außerdem zum Aufbau von logischen und elektrischen Modellen der Wohnung benutzt, womit eine signifikante Energiereduzierung erreicht werden konnte. Beide Ziele, die Komfortsteigerung sowie die Energieminimierung in einem standardisierten Haushalt, wurden in eine Zielfunktion integriert und damit quantifiziert. Für die Anpassung der Zielfunktion wurden auch verhaltenspsychologische Methoden der menschlichen Entscheidungsfindung herangezogen, um die objektive Steuerstrategie aller Geräte im simulierten Haushalt in die subjektive Empfindung von Menschen überführen zu können. Danach wurde die Topologie von ENKOS, dem zentralen Lern- und Steuersystem der elektrischen Geräte, aus mehreren Möglichkeiten ausgewählt. Insbesondere für die Integration der einfachen physikalischen Modelle in ein komplexes Verhaltensmodell (abgebildet durch die LCS-Regeln) wurden mehrere grundsätzliche Fragestellungen gegeneinander abgewogen, um eine entsprechende Gesamttopologie zu generieren. Die Zielvariante wurde "Kognitive Learning Classifier Systems" (KLCS) genannt, da die LCS die Grundlage des Ansatzes bilden und um Methoden der kognitiven Verhaltensforschung erweitert wurden. Nach dem Aufstellen der Systemstruktur wurde eine Standardsimulationsumgebung geschaffen, um verschiedene Parameter des geschaffenen KLCS objektiv bewerten zu können, um die Zielfunktion zu maximieren. Dabei kam heraus, dass zwei von drei untersuchten Methoden der Energieminimierung aussichtsreich sind, wobei bei der Parametrisierung der LCS-Komponenten lediglich zwei von sechs Parametern einen signifikanten Einfluss auf den Zielfunktionswert haben. Es konnte gezeigt werden, dass das aufgestellte System ENKOS sowohl eine Steigerung des Komforts für die Nutzer ermöglicht sowie die signifikante Reduzierung des Energieverbrauchs in der simulierten Standardwohnung realisiert. Damit ist ein wirklich adaptives Smart Home-System im Sinne des Anwenders als Ansatz geschaffen und evaluiert worden.

In dieser Arbeit wird ein neuer Algorithmus, Standardized Weighted Low Resolution Tomography (swLORETA) genannt, vorgestellt, der einige der Beschränkungen von verteilten Lösungen für eine Quellenlokalisation beseitigt. Der swLORETA-Algorithmus enthält eine Wichtung für das Leitungsfeld, das auf eine singular value decomposition (SVD) basiert. Damit wird die Tendenz der linearen Quellenlokalisation im Allgemeinen und von sLORETAim Besonderen, die Quellen zu nahe zu den Sensorpositionen zu lokalisieren, kompensiert. Die veränderte Wichtung trägt auch zu einer Abnahme der Rausch-Empfindlichkeit der Lösung bei. Eine Erweiterung von swLORETA in den Zeit-Frequenz-Bereich wurde entwickelt. Dies geschah durch Anwendung der Hilbert-Transformation auf Zeitreihen, die durch swLORETA erzeugt wurden. Schließlich wurden Bildgebungsmethoden für die Kohärenz und die Phasen-Synchronisation eingeführt, um die funktionalen Verbindungen im Gehirn zu untersuchen. Die tomographischen Eigenschaften von swLORETA und sLORETA wurden mit Hilfe simulierter und realer Daten verglichen. In den Simulations-Studien wurde die Rekonstruktion von einzelnen wie multiplen Dipolen bei Berücksichtigung von Rauschen simuliert, wobei sowohl die Position als auch die Orientierung variiert wurde. Die realen Daten wurden von gesunden Probanden aufgenommen, die ein klassisches räumliches Aufmerksamkeits-Experiment ausführten. Die Testergebnisse dieses Experiments zeigen, dass der Algorithmus nicht nur effizient arbeitet, sondern auch genaue Resultate zur Analyse derartiger Experimente liefert.