Integration von Attraktordynamik und Konnektivitätsmerkmalen zur EEG-basierten Demenzklassifikation

Warum Gehirnwellen für das Alltagsgedächtnis wichtig sind

Demenz bedeutet nicht nur, Namen zu vergessen oder Schlüssel zu verlegen; sie kann schrittweise die Selbstständigkeit und Persönlichkeit einer Person beeinträchtigen. Ärztinnen und Ärzte haben besonders Schwierigkeiten, Alzheimer-Krankheit und frontotemporale Demenz auseinanderzuhalten, zwei Hauptformen, die unterschiedliche Versorgungspläne erfordern. Diese Studie stellt eine einfache, aber wirkungsvolle Frage: Kann ein schneller, kostengünstiger Gehirnwellentest Ärzte dabei unterstützen, diese Erkrankungen zuverlässiger zu unterscheiden, indem er nicht nur misst, wie stark die Signale sind, sondern wie sie fließen und sich über die Zeit verbinden?

Über Standard-Gehirnscans hinausblicken

Heutzutage stützt sich die Demenzdiagnostik stark auf Gedächtnistests und bildgebende Verfahren wie MRT oder PET. Zwar sind diese Verfahren wertvoll, sie sind jedoch teuer, nicht immer verfügbar und erfassen oft erst Veränderungen, nachdem bereits erheblicher Hirnschaden eingetreten ist. Die Elektroenzephalographie, EEG, bietet ein weiteres Fenster: Sie zeichnet die elektrische Aktivität des Gehirns über auf der Kopfhaut platzierte Elektroden auf. EEG ist sicher, kostengünstig und erfasst schnelle, millisekundenweise Veränderungen der Hirnaktivität. Der Haken ist, dass EEG-Signale unordentlich und komplex erscheinen. Anstatt nur zu messen, wie stark bestimmte Rhythmen sind, prüften die Autorinnen und Autoren, ob die Verfolgung detaillierter Muster und der Koordination dieser Wellen verborgene Signaturen der Alzheimer-Krankheit und der frontotemporalen Demenz offenbaren kann.

Den verborgenen Pfaden der Hirnaktivität folgen

Die Forschenden analysierten Ruhe-EEG-Aufnahmen aus drei Gruppen: Personen mit Alzheimer-Krankheit, Personen mit frontotemporaler Demenz und gesunde ältere Erwachsene. Anstatt sich nur auf traditionelle Maße wie die mittlere Leistung in verschiedenen Frequenzbändern zu konzentrieren, ließen sie sich von der Untersuchung komplexer Systeme inspirieren. Zunächst rekonstruierten sie den „Pfad“, den jedes Hirnsignal im abstrakten Raum mit der Zeit beschreibt, bekannt als Attraktor. Anschließend beschrieben sie Form und Bewegung dieser Pfade mithilfe von Merkmalen wie der räumlichen Ausdehnung der Trajektorien, der Geschwindigkeit ihrer Bewegung und der Plötzlichkeit von Richtungsänderungen. Diese Maße erfassen, wie reichhaltig, stabil oder unregelmäßig die zugrunde liegenden Hirndynamiken sind, und liefern eine feinere Sicht auf lokale Aktivität in jedem EEG-Kanal.

Messen, wie Hirnregionen miteinander kommunizieren

Gehirnfunktion hängt auch von der Kommunikation zwischen entfernten Regionen ab. Um dies abzubilden, berechnete das Team, wie konstant verschiedene EEG-Kanäle ihre Rhythmen zueinander im Takt hielten, eine Eigenschaft, die als Phasensynchronisation bezeichnet wird. Für jede Teilnehmerin und jeden Teilnehmer erstellten sie eine Konnektivitätskarte, die zusammenfasst, wie stark verschiedene Elektrodenpaare miteinander verbunden sind. Aus diesen Karten extrahierten sie einfache Netzwerkmaße, die grob beschreiben, wie stark das gesamte Gehirnnetzwerk verbunden ist und wie eng lokale Cluster von Kanälen gruppiert sind. Diese Konnektivitätsmerkmale ergänzen die auf Attraktoren basierenden Messungen: Während Attraktoren lokale Signalpattern beschreiben, fasst Konnektivität die großräumige Koordination im Gehirn zusammen.

Maschinen beibringen, Demenzmuster zu erkennen

All diese Merkmale — 133, die Attraktordynamik beschreiben, plus 2, die Konnektivität zusammenfassen — wurden in mehrere Modelle des maschinellen Lernens eingespeist, die darauf trainiert wurden, zwischen Gruppenpaaren zu unterscheiden: Alzheimer vs. gesunde Kontrollen, frontotemporale Demenz vs. gesunde Kontrollen und Alzheimer vs. frontotemporale Demenz. In allen Aufgaben schnitten die Modelle deutlich besser als Zufall ab, mit den besten Genauigkeiten von rund 83 % für die Trennung von Alzheimer- und gesunden Teilnehmenden, 81 % für frontotemporale Demenz vs. gesund und etwa 82 % für die Unterscheidung der beiden Demenztypen voneinander. In den meisten Fällen lieferten die auf Attraktoren basierenden Merkmale das stärkste Signal, während die Konnektivitätsmaße zusätzliche, wenn auch bescheidene und nützliche Informationen für einige Modelle beisteuerten. Verschiedene Algorithmen waren für unterschiedliche Vergleiche am besten geeignet, was darauf hindeutet, dass die Wahl des Klassifikators ebenso wichtig ist wie die Auswahl der EEG-Merkmale.

Was das für Patientinnen, Patienten und Kliniken bedeuten könnte

Die Studie zeigt, dass relativ kurze Ruhe-EEG-Aufnahmen subtile Unterschiede in den Hirndynamiken zwischen Alzheimer-Krankheit, frontotemporaler Demenz und gesundem Altern erfassen können, wenn sie mit modernen mathematischen Werkzeugen analysiert werden. Dieser Ansatz ersetzt nicht Bildgebung oder klinisches Urteil, und die Untersuchungen wurden an einer moderat großen Gruppe von Patientinnen und Patienten mit bereits gesicherten Diagnosen durchgeführt. Dennoch weist er in eine Zukunft, in der ein einfacher EEG-Test, automatisiert ausgewertet, Klinikerinnen und Klinikern helfen könnte, Demenz früher zu erkennen und Subtypen sicherer zu unterscheiden, um eine gezieltere Behandlung und Unterstützung zu ermöglichen.

Zitation: Zolfaghari, S., Gholizadeh, E. & Garehdaghi, F. Integrating attractor dynamics and connectivity features for EEG-based dementia classification. Sci Rep 16, 11573 (2026). https://doi.org/10.1038/s41598-026-41745-3

Schlüsselwörter: EEG Demenz, Alzheimer-Krankheit, frontotemporale Demenz, Gehirnkonnektivität, maschinelles Lernen Diagnose