D. Förderung des wissenschaftlichen Nachwuchses
03 04 05
MeanPSE
B
Abb. 2. A) Relative Akkuratheit der (out-of-sample) Klassifikation von 3 Aussagen-Typen auf der Basis von
MEG-Zeitreihen (y-Achse) in der Zeit (x-Achse) gemittelt iiberN=28 Teilnehmerinnen. Zum Zeitpunkt
0 wird die jeweilige Aussage dargeboten. Etwa 400 ms nach Darbietung der Aussage ist die Dekodiefähigkeit
am höchsten. B) Vorgehen zur Bestimmung von Hyperparanietern der zur Analyse herangezogenen rekurren ten
neuronalen Netze (RNNs). MEG-Daten aus dem präfrontalen Kortex werden extrahiert, die Anzahl der
Trials wird pro Aussagen-Bedingung balanciert, die Daten werden dann standardisiert und in ein Trainings-
und Testset eingeteilt (80 % Training, 20 % Test). RNNs werden dann an den Trainingsdaten trainiert und auf
den Testdaten evaluiert. C) Vergleich der Abweichung (hierin Termini der Abweichung auf dem rekonstruierten
Frequenzspektrum) zwischen beobachteten und durch die RNNs rekonstruierten MEG-Testset-Daten für zwei
Einstellungen farblich gekennzeichnet) des RNN-Modells. Der Vergleich zeigt, dass sich die Rekonstrukti-
on verbessert, wenn wir ein kurzes ,Teacher Forcing‘-Intervall wählen (hier nicht näher erläutert, cf. Brenner
et al., accepted). D) Konkretes Beispiel von rekonstruierten MEG-Zeitreihen. Die RNN-Modelle werden
nach initialer Auslenkung durch ein Fixationskreuz (blau) oder drei Worte unterschiedlichen Selbstbezugs (rot,
orange, grün) für 25 Sekunden laufen gelassen. Die rekonstruierten Zeitreihen zeigen teilweise unterschiedliches
Verhalten als Antwort auf die unterschiedlichen Reize.
Auch bei der Entwicklung der Analyse-Ansätze für Magnetenzephalographie
(MEG)-Daten sind wir im zweiten Jahr erfolgreich vorangeschritten. So konnten
wir beispielsweise zeigen, dass wir erfolgreich Worte mit unterschiedlicher Be-
deutung in Relation zur eigenen Person, die während der MEG-Messung gezeigt
werden, aus den MEG-Hirnsignalen dekodieren können (Abb. 2A). Dies schafft
die Grundlage dafür, dass wir auch Unterschiede in den Hirnsignalen sowie deren
Dynamiken bei der Präsentation heterodoxer Aussagen erwarten und identifizieren
können. Darüber hinaus ist es uns gelungen, auf rekurrenten neuronalen Netzwer-
ken (RNNs) basierende Zeitreihenanalysemodelle auf MEG-Daten anzuwenden
und diese entsprechend anzupassen. Dafür wurden im ersten Schritt Hyperpa-
rameter der RNN-Modelle angepasst (Abb. 2B). Indem mit unterschiedlichen
Parametereinstellungen auf sog. Trainingsdaten trainiert und dann auf Testdaten
evaluiert wird, können entsprechende Einstellungen (z. B. Dimension der RNNs,
Regularisierungsparameter etc.) bestimmt werden. Über von uns spezifisch da-
412
03 04 05
MeanPSE
B
Abb. 2. A) Relative Akkuratheit der (out-of-sample) Klassifikation von 3 Aussagen-Typen auf der Basis von
MEG-Zeitreihen (y-Achse) in der Zeit (x-Achse) gemittelt iiberN=28 Teilnehmerinnen. Zum Zeitpunkt
0 wird die jeweilige Aussage dargeboten. Etwa 400 ms nach Darbietung der Aussage ist die Dekodiefähigkeit
am höchsten. B) Vorgehen zur Bestimmung von Hyperparanietern der zur Analyse herangezogenen rekurren ten
neuronalen Netze (RNNs). MEG-Daten aus dem präfrontalen Kortex werden extrahiert, die Anzahl der
Trials wird pro Aussagen-Bedingung balanciert, die Daten werden dann standardisiert und in ein Trainings-
und Testset eingeteilt (80 % Training, 20 % Test). RNNs werden dann an den Trainingsdaten trainiert und auf
den Testdaten evaluiert. C) Vergleich der Abweichung (hierin Termini der Abweichung auf dem rekonstruierten
Frequenzspektrum) zwischen beobachteten und durch die RNNs rekonstruierten MEG-Testset-Daten für zwei
Einstellungen farblich gekennzeichnet) des RNN-Modells. Der Vergleich zeigt, dass sich die Rekonstrukti-
on verbessert, wenn wir ein kurzes ,Teacher Forcing‘-Intervall wählen (hier nicht näher erläutert, cf. Brenner
et al., accepted). D) Konkretes Beispiel von rekonstruierten MEG-Zeitreihen. Die RNN-Modelle werden
nach initialer Auslenkung durch ein Fixationskreuz (blau) oder drei Worte unterschiedlichen Selbstbezugs (rot,
orange, grün) für 25 Sekunden laufen gelassen. Die rekonstruierten Zeitreihen zeigen teilweise unterschiedliches
Verhalten als Antwort auf die unterschiedlichen Reize.
Auch bei der Entwicklung der Analyse-Ansätze für Magnetenzephalographie
(MEG)-Daten sind wir im zweiten Jahr erfolgreich vorangeschritten. So konnten
wir beispielsweise zeigen, dass wir erfolgreich Worte mit unterschiedlicher Be-
deutung in Relation zur eigenen Person, die während der MEG-Messung gezeigt
werden, aus den MEG-Hirnsignalen dekodieren können (Abb. 2A). Dies schafft
die Grundlage dafür, dass wir auch Unterschiede in den Hirnsignalen sowie deren
Dynamiken bei der Präsentation heterodoxer Aussagen erwarten und identifizieren
können. Darüber hinaus ist es uns gelungen, auf rekurrenten neuronalen Netzwer-
ken (RNNs) basierende Zeitreihenanalysemodelle auf MEG-Daten anzuwenden
und diese entsprechend anzupassen. Dafür wurden im ersten Schritt Hyperpa-
rameter der RNN-Modelle angepasst (Abb. 2B). Indem mit unterschiedlichen
Parametereinstellungen auf sog. Trainingsdaten trainiert und dann auf Testdaten
evaluiert wird, können entsprechende Einstellungen (z. B. Dimension der RNNs,
Regularisierungsparameter etc.) bestimmt werden. Über von uns spezifisch da-
412