Kuhnert, Marie-Therese: Komplexe dynamische Systeme als funktionelle Netzwerke : Möglichkeiten und Grenzen der datengetriebenen Analyse. - Bonn, 2012. - Dissertation, Rheinische Friedrich-Wilhelms-Universität Bonn.
Online-Ausgabe in bonndoc: https://nbn-resolving.org/urn:nbn:de:hbz:5n-27823
@phdthesis{handle:20.500.11811/5279,
urn: https://nbn-resolving.org/urn:nbn:de:hbz:5n-27823,
author = {{Marie-Therese Kuhnert}},
title = {Komplexe dynamische Systeme als funktionelle Netzwerke : Möglichkeiten und Grenzen der datengetriebenen Analyse},
school = {Rheinische Friedrich-Wilhelms-Universität Bonn},
year = 2012,
month = mar,

note = {Aus einer Vielzahl von Subsystemen zusammengesetzte dynamische Systeme können als Netzwerk aufgefasst und mit Methoden der Graphentheorie beschrieben werden. Innerhalb dieses Ansatzes werden die Subsysteme durch Knoten und die Interaktionen zwischen den Subsystemen durch Kanten repräsentiert. Ein Beispiel für ein solches System ist das menschliche Gehirn, in dem die Interaktionen zwischen mehreren Hirnregionen für die Gesamtfunktion des Gehirns essentiell sind. Solche Netzwerke werden als funktionelle Hirnnetzwerke bezeichnet. Die Abbildung des zu untersuchenden Systems auf ein Netzwerk ist allerdings nicht eindeutig. Insbesondere müssen Knoten und Kanten des Netzwerks bestimmt werden. Von jedem Subsystem muss zunächst eine geeignete Observable gemessen werden. Aus den Zeitreihen der Observablen werden mit einem geeigneten Verfahren jeweils paarweise die Interaktionstärken bzw. -richtungen geschätzt und daraus mithilfe einer Transferfunktion die Kanten des resultierenden Netzwerks bestimmt.
Im Rahmen dieser Arbeit wird am Beispiel des menschlichen Gehirns erstmals umfassend untersucht, inwieweit sich dieser Konstruktionsprozess auf die Struktur der resultierenden funktionellen Netzwerke auswirkt. Dazu werden funktionelle Netzwerke aus Aufzeichnungen neuronaler Aktivität mittels Elektro- und Magnetoenzephalographie während verschiedener, aber bekannter, physiologischer und pathophysiologischer Zustände auf unterschiedliche Weisen konstruiert und die Struktur der resultierenden Netzwerke mittels netzwerk- und knotenspezifischer Kenngrößen miteinander verglichen. Dabei zeigte sich, dass insbesondere die Methode zur Messung neuronaler Aktivität und die Transferfunktion, welche die gemessenen Interaktionsstärken auf die Kanten abbildet, einen großen Einfluss haben. Ob ein linearer oder nicht-linearer Ansatz zur Schätzung der Interaktionsstärke gewählt wurde war nicht entscheidend.
Darüber hinaus wurde gezeigt, dass sich auch komplexere Netzwerkphänomene wie der epileptische Prozess oder kognitive Prozesse in der Struktur funktioneller Hirnnetzwerke widerspiegeln und sich mithilfe des Netzwerkansatzes sinnvoll charakterisieren lassen. Die Analyse der Langzeitvariabilität funktioneller Netzwerke epileptischer Gehirne ergab, dass netzwerkspezifische Kenngrößen neben dem epileptischen Prozess auch eine Reihe physiologischer Prozesse, vor allem Tag-Nacht-Rhythmen, widerspiegeln. Für knotenspezifische Kenngrößen wurde hingegen ein Einfluss des räumlichen Abtastens der Hirnregionen beobachtet.
Die Beschreibung komplexer dynamischer Systeme mit einem Netzwerkansatz unter Berücksichtigung der in dieser Arbeit gefundenen Einflussfaktoren verspricht eine bessere Charakterisierung und ein tieferes Verständnis dieser Systeme.},

url = {http://hdl.handle.net/20.500.11811/5279}
}

The following license files are associated with this item:

InCopyright