Moderne Neurowissenschaften nutzen hochauflösende Messverfahren, um Gehirnfunktionen und psychische Störungen zu untersuchen. Hochdichte EEGs (hdEEG) ermöglichen dabei detaillierte räumlich-zeitliche Einblicke in die Gehirnaktivität und erlauben die Modellierung des Gehirns als dynamisches Netzwerk. Die Analyse dieser “Konnektivitäten”, also der Verbindungen zwischen Gehirnregionen, stellt eine große Herausforderung dar. Das Projekt entwickelt daher DeepCon, eine auf Deep Learning (DL) basierende Datenverarbeitungspipeline für hdEEG-Daten, die Konnektivitäten in Echtzeit berechnet.

Ein weiteres zentrales Element ist die Closed-Loop Auditory Stimulation (CLAS), eine nicht-invasive Methode, die auf einem einkanaligen EEG basiert und langsame Wellen (Slow Waves, SWs) während des Tiefschlafs gezielt stimuliert. Diese Wellen sind eng mit Gedächtniskonsolidierung und neuronaler Plastizität verknüpft. Studien zeigen, dass durch akustische Reize die Gedächtniskonsolidierung verbessert werden kann. In diesem Projekt kombinieren wir DeepCon mit CLAS zur Entwicklung des ConCLAS-Systems. Dieses System wird im Schlaflabor des Kinderspitals Zürich in einer Studie validiert.

Das Projekt ist stark in die Schlafforschung eingebettet, da Schlaf eine zentrale Rolle für die mentale und physische Gesundheit spielt. Er ist essenziell für Gedächtnisprozesse, emotionale Regulation und verschiedene Körperfunktionen. Viele psychische Erkrankungen, darunter ADHS, Erregungsstörungen (z. B. Schlafwandeln), Depression, Angststörungen und posttraumatische Belastungsstörung (PTBS), stehen in engem Zusammenhang mit Schlafstörungen. Die automatisierte Analyse von Schlafdaten ist von hoher Relevanz, da herkömmliche Methoden meist manuelle, zeitintensive Auswertungen erfordern, was die Anzahl der untersuchten Patient:innen begrenzt.