Neuronale Repräsentation von bewusst wahrgenommener und unbewusster Information

Maschinelle Lernmodelle (ML) haben in der neurowissenschaftlichen Forschung, insbesondere bei der Analyse von Neuroimaging-Daten, stetig an Beliebtheit gewonnen. Eines der meistdiskutierten Themen in diesem Bereich, die neuronalen Korrelate von bewusster (und unbewusster) Information, hat ebenfalls von diesen Ansätzen profitiert, obwohl weitere Forschung notwendig ist, um die minimalen neuronalen Mechanismen, die notwendig und ausreichend für das Erleben eines bewussten Perzepts sind, besser zu verstehen sowie zu klären, welche Mechanismen vergleichbar und unterscheidbar zwischen bewussten und unbewussten Ereignissen sind. Ziel dieser Studie war es in zweierlei Hinsicht: Erstens zu untersuchen, ob es möglich ist, aufgabenrelevante Merkmale aus Elektroenzephalographie (EEG)-Signalen zu dekodieren, insbesondere solche, die mit der Wahrnehmung verbunden sind. Zweitens sollte geprüft werden, ob diese Dekodierung durch die Verwendung von Zeit-Frequenz-Darstellungen anstelle von Spannungsverläufen verbessert werden kann. Wir verwendeten eine Aufgabe, die für das Studium bewusster Wahrnehmung konzipiert wurde, bei der den Teilnehmern nahezu schwellenwertige Gabor-Stimuli präsentiert wurden. Sie sollten die Orientierung des Gitters unterscheiden und berichten, ob sie es wahrgenommen hatten oder nicht. Das EEG-Signal der Teilnehmer wurde während der Aufgabenbearbeitung aufgezeichnet und anschließend mittels ML-Algorithmen analysiert, um charakteristische aufgabenbezogene Parameter zu dekodieren. Die Ergebnisse zeigten, dass sowohl das Vorhandensein oder Fehlen der Stimuli als auch die berichtete Wahrnehmung der Teilnehmer aus EEG-Daten dekodiert werden können, obwohl das Modell keine relevanten Informationen hinsichtlich der Orientierung des Gabors extrahieren konnte. Wir fanden zudem keine Hinweise auf unbewusste Wahrnehmung, weder in den Verhaltensdaten noch in den Klassifikationsanalysen. Darüber hinaus führten wir einen Vergleich der Klassifikatorleistung bei Verwendung von Rohspannungssignalen und Zeit-Frequenz-Darstellungen durch, wobei eine deutliche Verbesserung beim Einsatz letzterer beobachtet wurde, besonders in den Theta- und Alphabändern. Diese Ergebnisse unterstreichen das bedeutende Potenzial von ML-Algorithmen zur Dekodierung der Wahrnehmung aus EEG-Daten in der Bewusstseinsforschung.