LONDON (IT BOLTWISE) – Neue Forschung beschreibt, dass elektrische Rhythmen im Gehirn beim Erinnern und Abrufen nicht nur als Wellen wandern, sondern zu Spiralen, expandierenden und kontrahierenden Ringen sowie komplexen Formen organisiert sind. Anhand von direkten Hirnaufzeichnungen aus OP-Vorbereitungen konnten Machine-Learning-Modelle Gedächtniszustände und sogar einzelne gemerkte Buchstaben über dem Zufallsniveau unterscheiden. Die geometrische „Fingerspur“ der Wellen verändert sich dabei je nach Phase der Gedächtnisaufgabe. Entscheidend ist: Häufige Frequenzunterschiede allein reichten nicht als Erklärung aus.
Bei der Gedächtnisbildung denkt man oft an „aktive Regionen“: Welche Areale feuern wann besonders stark? Die neue Studie dreht die Perspektive und fragt stattdessen, wie sich die zeitliche Struktur der neuronalen Aktivität über die kortikale Oberfläche hinweg ausbreitet. Laut Veröffentlichung in Nature Communications zeigen elektrische Rhythmen nicht nur den klassischen Verlauf als Wellenfront über das Gehirn, sondern formen in bestimmten Gedächtnisphasen regelrecht geordnete Geometrien. Dazu zählen rotierende Spiralen, konzentrische Ringe sowie Muster, die sich nicht sauber in eine einzelne Kategorie pressen lassen.
Technische Grundlage dafür sind sogenannte traveling waves, also Wanderrhythmen in der Großhirnrinde. Diese entstehen, wenn sich der Gipfel eines Oszillationszyklus nicht zufällig „sprunghaft“ zwischen benachbarten Arealen verschiebt, sondern als Welle über die Oberfläche wandert. Solche Oszillationen laufen typischerweise mit Frequenzen von mehreren bis zu dutzenden Schwingungen pro Sekunde; in der Untersuchung wurden unter anderem Theta- und Alpha-Bänder sowie Beta-Bänder betrachtet. Der entscheidende Punkt für die Interpretation: Weil sich die anatomischen Verbindungen zwischen weit entfernten Regionen nicht sekundenweise umverdrahten lassen, schlagen die Autorinnen und Autoren vor, dass die Wellen temporär die Synchronisation von Zellgruppen „auf dem richtigen Timing“ ausrichten könnten. So könnten räumlich getrennte Bereiche flexibel zusammenarbeiten, während eine Person zwischen Encoding, Ablenkphase und Abrufmodus wechselt.
Gemessen wurde das mit einem klinischen Setup: Während einer Überwachung wegen medikamentenresistenter Epilepsie vor der Operation legten Forschende flache Sensorraster direkt auf die kortikale Oberfläche. Die in dem Artikel beschriebenen Elektroden waren dabei im Abstand von 10 Millimetern platziert und lieferten pro Person typischerweise 100 bis 150 Sensoren, wobei jeder Sensor ein Flächenfenster von ungefähr einem Quadrat-Zentimeter abdeckte. Die Datengrundlage war bewusst „gold-standard-nah“: Nur in diesem Rahmen lassen sich direkte elektrokortikale Signale so dicht auf der Hirnoberfläche erfassen. Insgesamt werteten die Forschenden Aufzeichnungen von 24 Patienten aus; aus einem Archiv wurden sieben weitere Personen ausgeschlossen, weil weniger als zwei Drittel der Sensoren einen gemeinsamen Rhythmus zeigten.
Den größten Sprung von der reinen Beobachtung zur systematischen Codierung machte die Kombination aus Geometrieanalyse und Machine Learning. Zunächst identifizierten die Autorinnen und Autoren Oszillationscluster mit vergleichbaren Rhythmen zwischen benachbarten Elektroden und ordneten jedem Cluster wiederkehrende Wellenformen zu. Dafür nutzten sie unabhängige Komponentenanalyse, um überlappende Signale in räumlich wiederkehrende Muster zu zerlegen und deren Stärke pro „Burst“ zu bewerten. Anschließend klassifizierten sie die Wellen geometrisch in Kategorien wie planar (eine Richtung), rotational (dreht, also Spiralbewegung), concentric (expandierend oder kontrahierend als Quell- bzw. Senkenwelle) sowie „complex“ (Mischformen). Cross-validierte neuronale Netze trainierten dann auf diesen Musterstärken und unterschieden in Tests sowohl Gedächtnisphasen als auch einzelne betrachtete Buchstaben – und zwar über dem Zufallsniveau, wohlgemerkt ohne sich allein auf Peak-Frequenzen oder reine Rhythmusstärke zu stützen.
Was inhaltlich besonders auffällt, ist die Konsistenz auf der Ebene der „Form“, nicht die Gleichförmigkeit über alles hinweg. Die Autorinnen und Autoren berichten, dass jede Elektrodenregion im Mittel etwa sechs wiederkehrende räumliche Muster durchläuft und damit die Variation der Wellenbewegung stark prägt. Planare Wellen waren zwar in beiden Aufgabenarten die stärkste Kategorie, doch je nach Aufgabe verschoben sich die Anteile: Rotierende Spiralwellen zeigten sich mit höherer Stärke vor allem im räumlichen Gedächtnisspiel. Außerdem unterschieden sich die Strategien zwischen den Hemisphären: Planare Wellen waren rechts im Schnitt stärker, während linksseitige nicht-planare Muster je nach Aufgabe eher zu Spiralen bzw. konzentrischen Ringen tendierten. Selbst die Richtung der konzentrischen Ringe wechselte zwischen Aufgaben—Außenwachstum als Source in der räumlichen Phase gegenüber stärker gerichteter Konvergenz als Sink im verbal dominierten Teil.
Auch die behauptete „Fingerspur“ ist nicht als Einheitsmuster zu verstehen. Die Autoren beschreiben eine erhebliche Heterogenität zwischen Personen: Kein einzelnes Wellenmuster erschien in identischer Weise bei allen Teilnehmenden. Stattdessen trainierten die Modelle pro Person getrennt auf die eigenen Elektrodencluster, weil die Kombination aus Musterrepertoire und Prävalenz stark variierte. In den beschriebenen Tests konnten die Decoder Zustände aus der Wellenform allein mit guter Erfolgsquote erkennen; Kontrolltests, in denen nur Frequenzunterschiede oder ein einfacher Intensitätsbezug zur Hintergrundaktivität genutzt wurden, schnitten hingegen schlechter ab. Inhaltlich stützt das die Idee, dass die Organisation über Raum und Zeit – also die Geometrie der traveling waves – Information trägt, die über „wie laut“ oder „wie schnell“ hinausgeht.
Für die Praxis rückt damit ein neues Zielbild in den Vordergrund: Brain-Computer-Interfaces könnten künftig nicht nur auf Feuerraten- oder Amplitudenfeatures setzen, sondern die räumlich-zeitliche Ausbreitungsstruktur als zusätzliche Informationsdimension nutzen. Genau daran knüpft der Artikel an, indem er traveling waves als potenzielles Mechanismusverständnis für koordiniertes Rechnen im Gehirn diskutiert. Gleichzeitig bleibt die Beobachtungskette methodisch begrenzt: Aus den Aufzeichnungen folgt, dass sich Wellengeometrien mit mentalen Zuständen mitbewegen und dekodierbar sind, aber die Studie kann nicht kausal zeigen, dass eine bestimmte Spiral- oder Ringform zwingend das Erinnern auslöst. Dazu kämen weitere Experimente – etwa Kombinationen aus Einzelzellmessungen, Eye-Tracking und kontrollierten Aufgaben mit identischen Reizbedingungen, um sensorische oder motorische Effekte besser abzugrenzen. Ebenso wird als nächste technische Richtung genannt, ob gezielte Stimulation (elektrisch oder magnetisch) die betreffenden Wellenmuster modulieren kann, um Gedächtnisrehabilitation bei kognitivem Abbau zu unterstützen.
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Gedächtniscode im Gehirn: KI erkennt Spiral- und Ringmuster in Echtzeit" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Gedächtniscode im Gehirn: KI erkennt Spiral- und Ringmuster in Echtzeit" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Gedächtniscode im Gehirn: KI erkennt Spiral- und Ringmuster in Echtzeit« bei Google Deutschland suchen, bei Bing oder Google News!