Connectivity models in the neural face perception domain – interfaces to understand the human brain in health and disease?

Autor: Kessler, Roman
Přispěvatelé: Jansen, Andreas (Prof. Dr.)
Jazyk: angličtina
Rok vydání: 2022
Předmět:
DOI: 10.17192/z2022.0319
Popis: The recognition and processing of faces is a core competence of our human brain, in which many neuronal areas are involved. Faces are not only a means to recognize and distinguish between individuals, but also a means to convey emotions, intentions, or trustworthiness of our counterpart. The processing of faces is an orchestrated interaction of a multitude of neuronal regions. This interplay can be quantified at the neuronal level using so-called e↵ective connectivity analysis. The most common e↵ective connectivity analysis, which is also used in the present work, is called Dynamic Causal Modeling. With its help, interregional interactions are modelled at the neuronal level, and at the measurable level – such as with functional magnetic resonance imaging – evidence is found for the probability of the presence of neuronal connections and also their quantitative expression. E↵ective connectivity analyses can thus reveal the couplings between brain areas during specific cognitive processes, such as face perception. The way we process faces also changes when, for example, mental illness is present. Thus, negative emotions such as fear may be perceived disproportionately more intense, or positive emotions such as joy less intense. The evaluation of neuronal parameters in face processing could be used in clinical practice, e.g. for the early detection of mental illnesses or the quantification of therapy success. A prerequisite for clinical application is the reliability of the modeling method. Thus, results of models should be generalizable and not depend on certain nuances of the modeling. Furthermore, the interpretability of many model parameters turns out to be dicult. However, this is necessary to be able to describe causal relationships. In the present dissertation, so-called Dynamic Causal Models are applied in the field of neural face processing. In a first study a clinical context is used. Here, neural models of emotion regulation in face processing were used to identify potential consequences of risk factors for the development of mental illness. In another study, the generalizability of neural network models was tested in a healthy population. Here, many limitations of the method as a whole were revealed. In a final study, both observed and simulated data were used to uncover more limitations in the interpretation of model parameters.
Die Erkennung und Verarbeitung von Gesichtern ist eine Kernkompetenz unseres menschlichen Gehirns, an welcher viele neuronale Areale beteiligt sind. Gesichter dienen nicht nur zur Erkennung und Unterscheidung zwischen Individuen, sondern transportieren zum Beispiel auch Emotionen, Absichten, oder Vertrauenswürdigkeit unseres Gegenübers. Dabei ist die Verarbeitung von Gesichtern ein orchestriertes Zusammenspiel einer Vielzahl von neuronalen Regionen. Dieses Zusammenspiel kann mittels der sogenannten effektiven Konnektivitätsanalyse auf neuronaler Ebene quantifiziert werden. Die häufigste, und auch in der vorliegenden Arbeit verwendete Konnektivitätsanalyse trägt den Namen Dynamic Causal Modeling. Mit ihrer Hilfe modelliert man interregionale Interaktionen auf neuronaler Ebene, und findet auf messbarer Ebene – wie z.B. mit funktioneller Magnetresonanztomographie – Hinweise für die Wahrscheinlichkeit neuronaler Verbindungen und auch deren quantitative Ausprägung. Mit Hilfe von effektiven Konnektivitätsanalysen können somit die Kopplungen zwischen Hirnarealen bei bestimmten kognitiven Vorgängen, wie z.B. der Gesichterwahrnehmung, aufgedeckt werden. Die Art und Weise, wie wir Gesichter verarbeiten, ändert sich beispielsweise, wenn z.B. psychische Erkrankungen vorliegen. So können negative Emotionen wie Furcht unproportional stärker wahrgenommen werden, oder positive Emotionen wie Freude weniger stark. Die Auswertung neuronaler Kennwerte bei der Gesichterverarbeitung könnte perspektivisch im klinischen Alltag zum Einsatz kommen, z.B. zur Früherkennung von psychischen Erkrankungen, oder der Quantifizierung von Therpieerfolg. Voraussetzung für einen klinischen Einsatz ist jedoch eine Verlässlichkeit der Modellierungsmethode. So sollten Ergebnisse von Modellen generalisierbar sein, und nicht von bestimmten Nuancen der Modellierung abhängen. Weiterhin stellt sich die Interpretatierbarkeit vieler Modellparameter als schwierig heraus. Diese ist jedoch notwendig, um ursächliche Zusammenhänge beschreiben zu können. In der vorliegenden Dissertation werden sogenannte Dynamic Causal Models im Bereich der neuronalen Gesichterverarbeitung eingesetzt. In einer ersten Studie wird ein klinischer Kontext herangezogen. Hier wurden anhand neuronaler Modelle der Emotionsregulation in der Gesichterverarbeitung Auswirkungen von möglichen Risikofaktoren zur Entwicklung psychischer Erkrankungen auf die Hirnkonnektivität erkannt. In einer weiteren Studie wird die Generalisier- barkeit neuronaler Netzwerkmodelle an einer gesunden Population erprobt. Hier zeigten sich viele Limitationen der Methode als Ganzes auf. In einer letzten Studie werden sowohl mit echten, als auch mit simulierten Daten, weitere Limitationen in der Interpretation von Modellparametern aufgedeckt.
Databáze: OpenAIRE
Externí odkaz: