• Zum Inhalt springen (Accesskey 1)
  • Zur Suche springen (Accesskey 7)
FWF — Österreichischer Wissenschaftsfonds
  • Zur Übersichtsseite Entdecken

    • Forschungsradar
      • Historisches Forschungsradar 1974–1994
    • Entdeckungen
      • Emmanuelle Charpentier
      • Adrian Constantin
      • Monika Henzinger
      • Ferenc Krausz
      • Wolfgang Lutz
      • Walter Pohl
      • Christa Schleper
      • Elly Tanaka
      • Anton Zeilinger
    • Impact Stories
      • Verena Gassner
      • Wolfgang Lechner
      • Birgit Mitter
      • Oliver Spadiut
      • Georg Winter
    • scilog-Magazin
    • Austrian Science Awards
      • FWF-Wittgenstein-Preise
      • FWF-ASTRA-Preise
      • FWF-START-Preise
      • Auszeichnungsfeier
    • excellent=austria
      • Clusters of Excellence
      • Emerging Fields
    • Im Fokus
      • 40 Jahre Erwin-Schrödinger-Programm
      • Quantum Austria
      • Spezialforschungsbereiche
    • Dialog und Diskussion
      • think.beyond Summit
      • Am Puls
      • Was die Welt zusammenhält
      • FWF Women’s Circle
      • Science Lectures
    • Wissenstransfer-Events
    • E-Book Library
  • Zur Übersichtsseite Fördern

    • Förderportfolio
      • excellent=austria
        • Clusters of Excellence
        • Emerging Fields
      • Projekte
        • Einzelprojekte
        • Einzelprojekte International
        • Klinische Forschung
        • 1000 Ideen
        • Entwicklung und Erschließung der Künste
        • FWF-Wittgenstein-Preis
      • Karrieren
        • ESPRIT
        • FWF-ASTRA-Preise
        • Erwin Schrödinger
        • doc.funds
        • doc.funds.connect
      • Kooperationen
        • Spezialforschungsgruppen
        • Spezialforschungsbereiche
        • Forschungsgruppen
        • International – Multilaterale Initiativen
        • #ConnectingMinds
      • Kommunikation
        • Top Citizen Science
        • Wissenschaftskommunikation
        • Buchpublikationen
        • Digitale Publikationen
        • Open-Access-Pauschale
      • Themenförderungen
        • AI Mission Austria
        • Belmont Forum
        • ERA-NET HERA
        • ERA-NET NORFACE
        • ERA-NET QuantERA
        • Ersatzmethoden für Tierversuche
        • Europäische Partnerschaft BE READY
        • Europäische Partnerschaft Biodiversa+
        • Europäische Partnerschaft BrainHealth
        • Europäische Partnerschaft ERA4Health
        • Europäische Partnerschaft ERDERA
        • Europäische Partnerschaft EUPAHW
        • Europäische Partnerschaft FutureFoodS
        • Europäische Partnerschaft OHAMR
        • Europäische Partnerschaft PerMed
        • Europäische Partnerschaft Water4All
        • Gottfried-und-Vera-Weiss-Preis
        • LUKE – Ukraine
        • netidee SCIENCE
        • Projekte der Herzfelder-Stiftung
        • Quantum Austria
        • Rückenwind-Förderbonus
        • WE&ME Award
        • Zero Emissions Award
      • Länderkooperationen
        • Belgien/Flandern
        • Deutschland
        • Frankreich
        • Italien/Südtirol
        • Japan
        • Korea
        • Luxemburg
        • Polen
        • Schweiz
        • Slowenien
        • Taiwan
        • Tirol-Südtirol-Trentino
        • Tschechien
        • Ungarn
    • Schritt für Schritt
      • Förderung finden
      • Antrag einreichen
      • Internationales Peer-Review
      • Förderentscheidung
      • Projekt durchführen
      • Projekt beenden
      • Weitere Informationen
        • Integrität und Ethik
        • Inklusion
        • Antragstellung aus dem Ausland
        • Personalkosten
        • PROFI
        • Projektendberichte
        • Projektendberichtsumfrage
    • FAQ
      • Projektphase PROFI
      • Projektphase Ad personam
      • Auslaufende Programme
        • Elise Richter und Elise Richter PEEK
        • FWF-START-Preise
  • Zur Übersichtsseite Über uns

    • Leitbild
    • FWF-Film
    • Werte
    • Zahlen und Daten
    • Jahresbericht
    • Aufgaben und Aktivitäten
      • Forschungsförderung
        • Matching-Funds-Förderungen
      • Internationale Kooperationen
      • Studien und Publikationen
      • Chancengleichheit und Diversität
        • Ziele und Prinzipien
        • Maßnahmen
        • Bias-Sensibilisierung in der Begutachtung
        • Begriffe und Definitionen
        • Karriere in der Spitzenforschung
      • Open Science
        • Open-Access-Policy
          • Open-Access-Policy für begutachtete Publikationen
          • Open-Access-Policy für begutachtete Buchpublikationen
          • Open-Access-Policy für Forschungsdaten
        • Forschungsdatenmanagement
        • Citizen Science
        • Open-Science-Infrastrukturen
        • Open-Science-Förderung
      • Evaluierungen und Qualitätssicherung
      • Wissenschaftliche Integrität
      • Wissenschaftskommunikation
      • Philanthropie
      • Nachhaltigkeit
    • Geschichte
    • Gesetzliche Grundlagen
    • Organisation
      • Gremien
        • Präsidium
        • Aufsichtsrat
        • Delegiertenversammlung
        • Kuratorium
        • Jurys
      • Geschäftsstelle
    • Arbeiten im FWF
  • Zur Übersichtsseite Aktuelles

    • News
    • Presse
      • Logos
    • Eventkalender
      • Veranstaltung eintragen
      • FWF-Infoveranstaltungen
    • Jobbörse
      • Job eintragen
    • Newsletter
  • Entdecken, 
    worauf es
    ankommt.

    FWF-Newsletter Presse-Newsletter Kalender-Newsletter Job-Newsletter scilog-Newsletter

    SOCIAL MEDIA

    • LinkedIn, externe URL, öffnet sich in einem neuen Fenster
    • , externe URL, öffnet sich in einem neuen Fenster
    • Facebook, externe URL, öffnet sich in einem neuen Fenster
    • Instagram, externe URL, öffnet sich in einem neuen Fenster
    • YouTube, externe URL, öffnet sich in einem neuen Fenster

    SCILOG

    • Scilog — Das Wissenschaftsmagazin des Österreichischen Wissenschaftsfonds (FWF)
  • elane-Login, externe URL, öffnet sich in einem neuen Fenster
  • Scilog externe URL, öffnet sich in einem neuen Fenster
  • en Switch to English

  

Lernen von Synchronisationsmustern in neuronalen Signalen

Learning Synchronization Patterns in Neural Signal

Claudia Plant (ORCID: 0000-0001-5274-8123)
  • Grant-DOI 10.55776/I5113
  • Förderprogramm Einzelprojekte International
  • Status beendet
  • Projektbeginn 01.10.2021
  • Projektende 30.09.2025
  • Bewilligungssumme 421.754 €

CEUS: Österreich - Polen - Slowenien - Tschechien

Wissenschaftsdisziplinen

Andere Humanmedizin, Gesundheitswissenschaften (100%)

Keywords

    Synchronization, EEG signal, Data mining, Granger causality, Convolutional Neural Network, Prediction Of Response To Antidepressants

Abstract Endbericht

Das menschliche Gehirn ist das komplexeste System, das von der Wissenschaft erforscht wird und Inspiration für neue Technologien liefert. In den letzten zehn Jahren hat die Erforschung der Hirnfunktion einen entscheidenden Schwerpunktwechsel von der Erforschung der Lokalisation spezialisierter Hirnareale hin zur Erforschung räumlich verteilter Hirnnetzwerke erfahren. Möglich wurde dieser Paradigmenwechsel durch umfangreiche Weiterentwicklungen im Bereich der Synchronisation nichtlinearer Systeme. Basierend auf dem Konzept der Synchronisation nichtlinearer dynamischer Systeme werden wir Data Mining Methoden und Algorithmen zur Erkennung, Charakterisierung und Modellierung von Interaktionen in multivariaten Zeitreihen entwickeln. Insbesondere werden die Veränderungen des Elektroenzephalogramms (EEG) bei depressiven Patienten als Indikatoren für die therapeutische Wirksamkeit von Antidepressiva untersucht. Die entwickelten Methoden werden auf die spezifischen Eigenschaften des EEG zugeschnitten, um Synchronisationsphänomene im menschlichen Gehirn besser zu verstehen. Die Gesamtstruktur der EEG-Synchronisationsmuster ist ein Ansatzpunkt zur Beschreibung von Hirnzuständen. Die entwickelten Methoden werden nicht nur für die Analyse elektrophysiologischer Signale in der Neurologie und Psychiatrie, sondern generell für die Analyse komplexer multivariater und Signale anwendbar sein. Die EEG-Synchronisationsmuster und ihre Veränderungen werden durch Methoden klassifiziert, die vom Gehirn selbst inspiriert sind - neuronale Netze, maschinelles Lernen und Data Mining. Das Projekt hat eine große gesellschaftliche Relevanz, da Depressionen weltweit eine der Hauptursachen für Schwerkrankheitsfällen sind. In den EU-Ländern liegt das Auftreten depressiver Störungen zwischen 2,6 - 4,5 % bei Männern und 7,1 - 10,4 % bei Frauen. Moderne Antidepressiva haben eine Wirkungsrate von nicht mehr als 65%, wohingegen die Wirkung überdies frühestens nach 4-6 Wochen eintritt. Die Fähigkeit, das Ansprechen auf die Behandlung zu vorherzusagen, entweder zu einem frühen Zeitpunkt im Verlauf der Therapie oder sogar noch vor Beginn der Behandlung, kann ineffektive Therapieversuche verhindern und Patienten vor längeren Leidensintervallen und Nebenwirkungen bewahren. Ökonomische Aspekte der Möglichkeit der frühzeitigen Wahl einer wirksamen Therapie können natürlich auch nicht bestritten werden.

Frühzeitig festzustellen, ob ein Antidepressivum einer Person mit schwerer Depression helfen wird, könnte Patienten wochenlange Unsicherheit und Leiden ersparen. In diesem Projekt haben wir gezeigt, dass nicht-invasive Gehirnwellenaufzeichnungen (EEG), die bereits nach einer Woche Behandlung vorgenommen werden, mit vielversprechender Genauigkeit zur Vorhersage des Behandlungserfolgs herangezogen werden können. Depressionen sind eine häufige und schwerwiegende Erkrankung, die das tägliche Leben, die Arbeit und Beziehungen beeinträchtigt. Weltweit leben Hunderte Millionen Menschen mit Depressionen. Obwohl es wirksame Behandlungsmethoden gibt, profitieren viele Patienten nicht ausreichend von dem ersten Medikament, das ausprobiert wird. In der klinischen Praxis benötigen Ärzte oft etwa 4 bis 6 Wochen, bevor sie beurteilen können, ob ein Medikament wirkt, was den Wechsel zu einer besser geeigneten Option verzögern kann. Um diese unbefriedigende Situation für die Patienten zu verbessern, haben wir die Aufzeichnungen der elektrischen Gehirnaktivität (EEG) von Patienten am 7. Tag ihrer Behandlung mit Antidepressiva analysiert. Wir haben verschiedene Methoden zur Analyse dieser EEG-Signale entwickelt und getestet. Wir haben verschiedene Merkmale aus den EEG-Aufzeichnungen extrahiert, die in erster Linie Synchronisationsmuster zwischen Gehirnregionen erfassen, und maschinelle Lernmodelle trainiert, um den Unterschied zwischen Personen zu erkennen, deren Zustand sich später verbesserte, und solchen, bei denen dies nicht der Fall war. Darüber hinaus haben wir untersucht, ob Patienten anhand von Ähnlichkeiten in ihren Gehirnaktivitätsmustern in aussagekräftige Subtypen eingeteilt werden können - ein Ansatz, der helfen könnte zu erklären, warum dieselbe Behandlung bei manchen Menschen gut wirkt, bei anderen jedoch nicht. Die aussagekräftigsten Ergebnisse erzielten wir, indem wir uns auf kurze, wiederkehrende Signalmuster im EEG konzentrierten (ein "motivbasierter" Ansatz). Mit dieser Methode konnten wir das Behandlungsergebnis für 73 % der Patienten in einer unabhängigen Validierungsgruppe korrekt vorhersagen. Dies ist ein wichtiger wissenschaftlicher Fortschritt: Er zeigt, dass frühe EEG-Muster nützliche Informationen über den späteren Behandlungserfolg enthalten können, und er identifiziert eine besonders effektive Methode, um diese Informationen zu extrahieren. Wenn sich dieser Ansatz in größeren Studien bestätigt, könnte er frühere, personalisiertere Behandlungsentscheidungen unterstützen - und so Patienten helfen, schneller eine wirksame Therapie zu erhalten, vermeidbare Nebenwirkungen und Leiden zu reduzieren und möglicherweise Ressourcen im Gesundheitswesen einzusparen.

Forschungsstätte(n)
  • Universität Wien - 100%
Nationale Projektbeteiligte
  • Katerina Schindlerova, Universität Wien , nationale:r Kooperationspartner:in
Internationale Projektbeteiligte
  • Milan Palus, Academy of Sciences of the Czech Republic - Tschechien
  • Martin Brunovsky, National Institute of Mental Health - Vereinigte Staaten von Amerika

Research Output

  • 17 Publikationen
  • 1 Datasets & Models
  • 2 Wissenschaftliche Auszeichnungen
Publikationen
  • 2025
    Titel Breaking the Reclustering Barrier in Centroid-based Deep Clustering
    Typ Conference Proceeding Abstract
    Autor Lukas Miklautz
    Konferenz International Conference on Learning Representations
    Link Publikation
  • 2025
    Titel Ultrametric Cluster Hierarchies: I Want 'em All!
    DOI 10.48550/arxiv.2502.14018
    Typ Preprint
    Autor Draganov A
    Link Publikation
  • 2025
    Titel EEG-Based Classification in Psychiatry Using Motif Discovery
    DOI 10.1016/j.neuri.2025.100242
    Typ Journal Article
    Autor Hlaváčková-Schindler K
    Journal Neuroscience Informatics
  • 2024
    Titel Mining High-dimensional Data with Applications in Medicine
    Typ PhD Thesis
    Autor Lena Greta Marie Bauer
    Link Publikation
  • 2024
    Titel Causal Inference by Compression Schemes
    Typ Postdoctoral Thesis
    Autor Katerina Hlavácková-Schindler
  • 2024
    Titel Journal of Machine Learning Research
    Typ Journal Article
    Autor Hlaváčková-Schindler
    Journal Granger Causal Inference in Multivariate Hawkes Processes by Minimum Message Length
    Seiten 26
  • 2024
    Titel Prototyp-basiertes Lernen von Repräsentationen mittels Deep Clustering
    Typ Other
    Autor Lukas Miklautz
    Link Publikation
  • 2024
    Titel Mining high-dimensional data with applications in medicine
    Typ Other
    Autor Lena Greta Marie Bauer
    Link Publikation
  • 2024
    Titel Contrastive Tuning: A Little Help to Make Masked Autoencoders Forget
    DOI 10.1609/aaai.v38i4.28078
    Typ Journal Article
    Autor Alkin B
    Journal Proceedings of the AAAI Conference on Artificial Intelligence
  • 2023
    Titel Pattern Discovery in an EEG Database of Depression Patients: Preliminary Results
    DOI 10.23919/measurement59122.2023.10164584
    Typ Conference Proceeding Abstract
    Autor Hlaváčková-Schindler K
    Seiten 80-83
  • 2023
    Titel Application of Deep Clustering Algorithms
    DOI 10.1145/3583780.3615290
    Typ Conference Proceeding Abstract
    Autor Leiber C
    Seiten 5208-5211
  • 2023
    Titel Benchmarking Deep Clustering Algorithms With ClustPy
    DOI 10.1109/icdmw60847.2023.00087
    Typ Conference Proceeding Abstract
    Autor Leiber C
    Seiten 625-632
  • 2023
    Titel Causal Inference for Heterogeneous Data and Information Theory.
    DOI 10.3390/e25060910
    Typ Journal Article
    Autor Hlaváčková-Schindler K
    Journal Entropy (Basel, Switzerland)
  • 2023
    Titel Causal Inference for Heterogeneous Data and Information Theory
    DOI 10.3390/books978-3-0365-8051-7
    Typ Book
    editors Hlaváčková-Schindler K
    Verlag MDPI
  • 2023
    Titel Granger Causal Inference in Multivariate Hawkes Processes by Minimum Message Length
    DOI 10.48550/arxiv.2309.02027
    Typ Preprint
    Autor Hlavackova-Schindler K
    Link Publikation
  • 2022
    Titel Causal Discovery in Hawkes Processes by Minimum Description Length
    DOI 10.1609/aaai.v36i6.20656
    Typ Journal Article
    Autor Hlaváčková-Schindler K
    Journal Proceedings of the AAAI Conference on Artificial Intelligence
  • 2023
    Titel Spectral Clustering of Attributed Multi-relational Graphs*
    Typ Conference Proceeding Abstract
    Autor Ylli Sadikaj
    Konferenz 19th International Workshop on Mining and Learning with Graphs
    Link Publikation
Datasets & Models
  • 2023 Link
    Titel Pattern Discovery in an EEG Database of Depression Patients: Preliminary Results
    Typ Computer model/algorithm
    Öffentlich zugänglich
    Link Link
Wissenschaftliche Auszeichnungen
  • 2024
    Titel Staatspreis für die Dissertation von Lukas Miklautz
    Typ National honour e.g. Order of Chivalry, OBE
    Bekanntheitsgrad National (any country)
  • 2024
    Titel Invited keynote talk at IEEE ICDM International Conference on Data Mining
    Typ Personally asked as a key note speaker to a conference
    Bekanntheitsgrad Continental/International

Entdecken, 
worauf es
ankommt.

Newsletter

FWF-Newsletter Presse-Newsletter Kalender-Newsletter Job-Newsletter scilog-Newsletter

Kontakt

Österreichischer Wissenschaftsfonds FWF
Georg-Coch-Platz 2
(Eingang Wiesingerstraße 4)
1010 Wien

office(at)fwf.ac.at
+43 1 505 67 40

Allgemeines

  • Jobbörse
  • Arbeiten im FWF
  • Presse
  • Philanthropie
  • scilog
  • Geschäftsstelle
  • Social Media Directory
  • LinkedIn, externe URL, öffnet sich in einem neuen Fenster
  • , externe URL, öffnet sich in einem neuen Fenster
  • Facebook, externe URL, öffnet sich in einem neuen Fenster
  • Instagram, externe URL, öffnet sich in einem neuen Fenster
  • YouTube, externe URL, öffnet sich in einem neuen Fenster
  • Cookies
  • Hinweisgeber:innensystem
  • Barrierefreiheitserklärung
  • Datenschutz
  • Impressum
  • IFG-Formular
  • Social Media Directory
  • © Österreichischer Wissenschaftsfonds FWF
© Österreichischer Wissenschaftsfonds FWF