Methodenartikel

Funktionelle Nahinfrarotspektroskopie-gestützte Frequenzkartierung der aurikulären Vagusnervstimulation bei Depressionen

0 Aufrufe

⸱

DOI:

10.3791/70136

⸱

25. September 2026

 ,  ,  ,  ,  ,  ,  , 
1Department of Psychiatry and Psychotherapy, University of Marburg, 2Center for Mind, Brain, and Behavior (CMBB), University of Marburg, 3Department of Psychology, University of Marburg, 4Faculty of Medicine, University of British Columbia

In diesem Artikel

Zusammenfassung

Dieses Protokoll bietet einen reproduzierbaren Rahmen zur Abbildung frequenzabhängiger kortikaler Reaktionen auf transkutane aurikuläre Vagusnervstimulation mittels funktioneller Nahinfrarotspektroskopie bei Personen mit einer schweren Depression.

Zusammenfassung

Die Major depressive Störung (MDD) ist mit Veränderungen in großskaligen Hirnnetzwerken assoziiert, und die Variabilität der Parameter der transkutanen aurikulären Vagusnervstimulation (taVNS), insbesondere der Stimulationsfrequenz, beeinträchtigt die Reproduzierbarkeit und Vergleichbarkeit zwischen Studien. Daher werden standardisierte Strategien für eine systematische Auswahl der Parameter benötigt. Dieses Protokoll stellt einen reproduzierbaren, auf Neuroimaging basierenden Arbeitsablauf zur Abbildung individueller kortikaler Reaktionen auf mehrere taVNS-Frequenzen mittels funktioneller Nahinfrarotspektroskopie (fNIRS) vor. Der Ansatz kombiniert eine kontinuierliche fNIRS-Aufzeichnung mit der Applikation mehrerer Stimulationsfrequenzen innerhalb einer Sitzung und einer netzwerkebenebezogenen Analyse der Aktivität des Default-Mode-Netzwerks. Frequenzspezifische Reaktionen werden anhand distanzbasierter Metriken quantifiziert und anschließend algorithmisch gewichtet, um bei jedem Teilnehmer potenzielle Stimulationsparameter zu identifizieren.
Der Arbeitsablauf ermöglicht einen direkten intra-individuellen Vergleich der Stimulationsbedingungen und bietet einen strukturierten Rahmen für die explorative Parameterkartierung basierend auf netzwerkebenebezogenen Reaktionen anstelle von festen Frequenzdesigns. Repräsentative Ergebnisse belegen die Durchführbarkeit der Aufzeichnung stabiler fNIRS-Signale über verschiedene Bedingungen hinweg sowie die Erzeugung interpretierbarer, teilnehmerspezifischer Frequenzrangfolgen. Obwohl das Protokoll an MDD demonstriert wird, ist es auf andere Neuromodulationsparadigmen und Erkrankungen mit Funktionsstörungen auf Netzebene übertragbar und könnte zukünftige Studien zur individualisierten Parameterwahl unterstützen.

Einleitung

Die transkutane aurikuläre Vagusnervstimulation (taVNS) ist eine nichtinvasive Neuromodulationstechnik, die auf den aurikulären Zweig des Vagusnervs zielt und Einfluss auf neuromodulatorische Kerne des Hirnstamms sowie auf verteilte kortikale Netzwerke nehmen kann1. Frühere Arbeiten haben gezeigt, dass die physiologischen und neuronalen Effekte der taVNS stark von den Stimulationsparametern2,3,4,5 abhängen, insbesondere von der Stimulationsfrequenz. In tierischen und humanen Modellen wurden unterschiedliche Frequenzen mit spezifischen neuromodulatorischen Wegen und Gehirnantworten assoziiert, und klinische taVNS-Protokolle umfassen derzeit ein breites Frequenzspektrum6. Diese Variabilität unterstreicht die Notwendigkeit systematischer Ansätze zur Frequenzkartierung und fundierter Parameterwahl, anstatt auf festgelegte Frequenzkonventionen zu vertrauen. Ziel dieses Protokolls ist es, eine reproduzierbare Methode zur intra-individuellen Kartierung neuronaler Antworten auf mehrere taVNS-Frequenzen mithilfe physiologischer Messgrößen auf Netzwerkebene bereitzustellen.

Das übergeordnete Ziel dieses Protokolls ist es, eine reproduzierbare Methode zur Abbildung individueller neuronaler Reaktionen auf mehrere taVNS-Frequenzen bereitzustellen.

Die funktionelle Nahinfrarotspektroskopie (fNIRS) ist eine tragbare optische Neurobildgebungstechnik, die kortikale Hämodynamik mit hoher zeitlicher Auflösung misst und mit gleichzeitiger taVNS kompatibel ist7,8. Im Vergleich zu auf Magnetresonanztomographie (MRT) basierenden Verfahren bietet fNIRS eine größere Portabilität, geringeren logistischen Aufwand und einfachere Integration in Stimulationsverfahren, ohne Einschränkungen wie Scanner-Immobilisierung, akustische Geräusche oder eingeschränkte Hardware-Konfigurationen. Im Gegensatz zu symptombezogenen Optimierungsstrategien liefert fNIRS einen direkten physiologischen Proxy für die Reaktion kortikaler Netzwerke auf Stimulation, anstatt sich ausschließlich auf subjektive oder verzögerte klinische Ergebnisse zu stützen9. Im Vergleich zu festen Stimulationsparametern mit konstanter Frequenz10 ermöglicht das vorliegende Protokoll eine explizite Charakterisierung der interindividuellen Variabilität in der Frequenzsensitivität, anstatt Reaktionen über Teilnehmer hinweg zu mitteln. Darüber hinaus unterstützt fNIRS skalierbare, wiederholte Messungen innerhalb einer Sitzung, wodurch dieser Ansatz besonders geeignet für explorative Frequenzkartenstudien und Pilotuntersuchungen ist, die effiziente, wiederholte Bewertungen erfordern.

Dieser kombinierte Ansatz sollte angewendet werden, wenn Forschende Neuromodulationsparameter innerhalb desselben Teilnehmers vergleichen, geeignete individuelle Stimulationsparameter identifizieren oder Protokolle entwickeln möchten, bevor langfristige oder ergebnisorientierte Studien durchgeführt werden. Er ist allgemein auf Erkrankungen anwendbar, die durch veränderte großskalige Netzwerkorganisation des Gehirns gekennzeichnet sind11. Dieses Protokoll eignet sich besonders für explorative Parameterkartierungen, Pilotstudien zur Personalisierung und frühe Machbarkeitsuntersuchungen. Als Beispiel dient hier die Depression, da sie mit veränderter Aktivität und Konnektivität innerhalb des Default-Mode-Netzwerks (DMN)12,13 und verwandter Kontrollnetzwerke assoziiert ist, und es wurde berichtet, dass taVNS diese Systeme modulieren kann14. Bisherige Studien haben jedoch heterogene Stimulationsfrequenzen verwendet, und die am besten geeigneten Frequenzen zur gezielten Beeinflussung affektiver und kognitiver Netzwerke sind weiterhin unklar. Diese Variabilität begründet den Einsatz eines intra-individuellen Frequenzvergleichs statt die alleinige Verwendung einer einzigen a-priori-Festlegung der Frequenz.

Hier beschreiben wir ein Protokoll zur Implementierung eines fNIRS-gesteuerten taVNS-Frequenz-Mapping-Workflows, der am Bett und für Längsschnittuntersuchungen geeignet ist. Das Verfahren umfasst zunächst eine Ruhezustands-Baseline ohne Stimulation, gefolgt von Ruhezustands-taVNS-Durchgängen bei 2, 10, 25 und 40 Hz sowie eine Scheinbedingung zur Kontrolle unspezifischer Effekte. Für jede Bedingung werden fNIRS-Daten erfasst und mittels multivariater Netzwerk-Distanzmetriken im Vergleich zu einer normativen, gesunden Referenz analysiert. Diese Metriken erfassen komplementäre Aspekte der Netzwerkorganisation, einschließlich der Stärke der Konnektivität und der regionalen Interaktionsmuster15,16. Die resultierenden netzwerkbasierten Maße werden verwendet, um frequenzspezifische Effekte innerhalb jedes Teilnehmers zu vergleichen und kandidatenbasierte Stimulationsparameter auf informierte Weise zu identifizieren. Eine anschließende ruhezustandsbasierte, kandidatenspezifische Bedingung dient der Beurteilung der kurzfristigen Reproduzierbarkeit der ausgewählten Frequenz.

Dieses Protokoll eignet sich am besten für die explorative Parameterkartierung, die personalisierte Machbarkeitsprüfung und die Protokollentwicklung vor umfangreicheren langzeitlichen oder klinischen Studien. Es bietet einen strukturierten Rahmen, um Stimulationfrequenzen innerhalb von Individuen systematisch anhand physiologischer Netzwerkmetriken zu vergleichen. Die Methode wurde entwickelt, um die Hypothesenbildung und die Identifizierung von Kandidatenfrequenzen in frühen oder Pilotuntersuchungen zu unterstützen. Sie dient nicht dazu, eine endgültige klinische Wirksamkeit, therapeutische Überlegenheit oder Therapieoptimierung zu belegen, sondern vielmehr, nachfolgende langzeitliche und ergebnisorientierte Studien durch explorative, netzwerkbasierte Parameterwahl zu informieren.

Protokoll

Alle Verfahren, an denen menschliche Teilnehmer beteiligt waren, wurden gemäß den institutionellen Richtlinien und der Deklaration von Helsinki durchgeführt und von der zuständigen Ethikkommission für Humorforschung der Philipps-Universität Marburg genehmigt (Protokollnummer: 23-232 BO). Vor der Teilnahme wurde von allen Teilnehmern eine schriftliche informierte Einwilligung eingeholt.

Das Protokoll folgt der zeitlichen Abfolge des experimentellen Workflows (siehe Abbildung 1  für Details). Alle Schritte werden unter Verwendung vordefinierter Parameter durchgeführt, um die Reproduzierbarkeit und Vergleichbarkeit zwischen den Teilnehmern sicherzustellen. Diese Parameter umfassten feste taVNS-Stimulationsparameter (Frequenzen von 2, 10, 25 und 40 Hz, Pulsbreite und individuell angepasste Stimulationsintensität), standardisierte Dauer der Ruhezustandsaufnahmen, eine einheitliche Scheinstimulationsbedingung sowie eine einheitliche fNIRS-Aufnahme- und Vorverarbeitungspipeline, einschließlich Kanalkonfiguration, Bewegungskorrektur, Filterung und netzwerkbasierte Analyseverfahren.

1. Ethische Genehmigung und Studienübersicht

  1. Ethische Genehmigung einholen
    1. Bevor die Studie beginnt, muss die Genehmigung des Ethikkomitees der Medizinischen Fakultät der Philipps-Universität Marburg (Protokoll-Nr. 23-232 BO) eingeholt werden.
    2. Alle Verfahren sind gemäß der Deklaration von Helsinki und den institutionellen Leitlinien für die Forschung mit menschlichen Teilnehmern durchzuführen.
    3. Vor der Einschreibung, den Bewertungen oder der Datenerhebung ist von jedem Teilnehmer eine schriftliche, informierte Einwilligung einzuholen.
  2. Studienziele festlegen
    1. Mit diesem Protokoll wird eine Vergleichsstimulation (Sham-Stimulation) mit mehreren aktiven taVNS-Frequenzen innerhalb desselben Teilnehmers durchgeführt.
    2. Gleichzeitige funktionelle Nahinfrarotspektroskopie (fNIRS) wird verwendet, um kortikale Netzwerkantworten während der Stimulation zu quantifizieren.
    3. Vordefinierte Analyse-Skripte dienen dazu, die vielversprechendste individuelle Stimulationsfrequenz basierend auf der Ähnlichkeit des Netzwerkmusters mit einer gesunden Kontrollvorlage zu identifizieren.
  3. Analytischen Umfang definieren
    1. Alle Ergebnisse sind als beschreibend und explorativ zu interpretieren.
    2. Dieses Protokoll darf nicht verwendet werden, um klinische Wirksamkeit, therapeutische Überlegenheit oder eine Optimierung der Behandlung nachzuweisen.
    3. Die Ergebnisse sollen zukünftige Längsschnitt- oder ergebnisorientierte Studien unterstützen.

2. Rekrutieren und selektieren Sie die Teilnehmer

  1. Rekrutieren Sie Studiengruppen
    1. Rekrutieren Sie erwachsene Teilnehmer in zwei Gruppen: Major Depressive Disorder (MDD) und gesunde Kontrollpersonen (HC).
    2. Rekrutieren Sie gesunde Kontrollpersonen im gleichen Studienzeitraum und unter Verwendung identischer Verfahren wie bei der MDD-Gruppe.
    3. Bieten Sie eine Vergütung gemäß den institutionellen Richtlinien an.
  2. Wenden Sie die Einschlusskriterien an
    1. Schließen Sie nur Teilnehmer ein, die 18 Jahre oder älter sind.
    2. Bestätigen Sie normales Sehvermögen oder Sehvermögen, das auf Normalwerte korrigiert ist.
    3. Nur für die MDD-Gruppe: Bestätigen Sie die MDD-Diagnose mittels eines strukturierten klinischen Interviews basierend auf dem DSM-5.
    4. Nur für die MDD-Gruppe: Schließen Sie nur Teilnehmer mit leichter bis mittelschwerer Depressionsschwere ein (HAMD-24 ≥8 und <24; BDI-II ≥8 und <29).
    5. Nur für die Gruppe der gesunden Kontrollpersonen: Bestätigen Sie das Fehlen einer aktuellen psychiatrischen Erkrankung oder schwerer somatischer Erkrankungen.
  3. Wenden Sie die Ausschlusskriterien an
    1. Schließen Sie Teilnehmer mit neurologischen Erkrankungen oder Vorgeschichte einer schweren Kopfverletzung aus.
    2. Schließen Sie Teilnehmer mit psychiatrischer Komorbidität aus.
    3. Schließen Sie Teilnehmer aus, die derzeit psychotrope oder antidepressive Medikamente einnehmen oder diese innerhalb der letzten 2 Wochen abgesetzt haben.
    4. Schließen Sie Teilnehmer mit suizidalen Gedanken oder schweren depressiven Symptomen aus.
    5. Schließen Sie Teilnehmer mit medizinischen Erkrankungen aus, die wahrscheinlich die neuronale oder vaskuläre Funktion beeinträchtigen.
  4. Führen Sie die klinische Beurteilung durch
    1. Führen Sie die Hamilton-Depressionsrating-Skala (HAMD-24) durch.
    2. Führen Sie den Beck-Depressions-Inventar-II (BDI-II) durch.
    3. Notieren Sie die Gesamtpunktzahlen in der Studiendatenbank.

3. Experimentellen Versuchsaufbau vorbereiten

  1. Präparation des Laborraums
    1. Platzieren Sie die Versuchsperson in einem ruhigen, schwach beleuchteten Raum.
    2. Halten Sie eine stabile Umgebungstemperatur aufrecht und minimieren Sie äußere Geräusche.
    3. Positionieren Sie einen Monitor etwa 1 m vor der Versuchsperson.
  2. Anweisung der Versuchsperson
    1. Zeigen Sie ein zentrales Fixierungskreuz auf dem Monitor an.
    2. Weisen Sie die Versuchsperson an, wach, entspannt und ruhig zu bleiben.
    3. Weisen Sie die Versuchsperson an, während aller Aufzeichnungen den Blick auf das Fixierungskreuz gerichtet zu halten.

4. Vorbereitung der taVNS und Kalibrierung der Stimulation

  1. Hardware vorbereiten
    1. Ein transkutanes aurikuläres Vagusnervstimulationsgerät mit einer Stimulations-Elektrode aus Titan-Iridium verwenden.
    2. Kabel, Anschlüsse und Akkustatus vor jeder Sitzung überprüfen.
  2. Elektrode positionieren
    1. Die linke Cymba conchae mit Alkohltüchern reinigen.
    2. Die Haut vollständig trocknen.
    3. Die Stimulations-Elektrode auf der linken Cymba conchae platzieren.
    4. Stabilen Kontakt und sichere Befestigung überprüfen.
  3. Stromamplitude kalibrieren
    1. Pulsweite auf 300 µs einstellen.
    2. Kontinuierliche Stimulation ohne Tastverhältnis aktivieren.
    3. Bei 0 mA beginnen und den Strom schrittweise in 0,1–0,2-mA-Schritten erhöhen.
    4. Den Probanden nach jeder Erhöhung die Empfindung auf einer 10-Punkte-Skala bewerten lassen.
    5. Die Stromerhöhung bei der höchsten erträglichen Intensität ohne Schmerz stoppen.
    6. Eine wahrgenommene Intensität von 7–8/10 anstreben.
    7. Kalibrierung separat für 2, 10, 25 und 40 Hz wiederholen.
    8. Endgültige Stromamplitude für jede Frequenz dokumentieren.
  4. Placebo-Stimulation konfigurieren
    1. Das Gerät so konfigurieren, dass kein elektrischer Strom abgegeben wird.
    2. Die Elektrodenposition identisch zur aktiven Stimulation belassen.
    3. Alle visuellen, taktilen und auditiven Reize der aktiven Stimulation angleichen.
  5. Aktive Stimulationsblöcke anwenden
    1. Vier aktive Frequenzen (2, 10, 25 und 40 Hz) jeweils einmal während der Sitzung anwenden.
    2. Die Reihenfolge der Blöcke über die Probanden hinweg mittels computergenerierter Sequenz randomisieren.
    3. Feste inter-conditionale Intervalle ohne Stimulation einfügen.

5. Aufbau des fNIRS-Systems

  1. Hardware vorbereiten
    1. Verwenden Sie zwei synchronisierte fNIRS-Systeme.
    2. Rüsten Sie jedes System mit 16 Lichtquellen und 16 Detektoren aus.
  2. Montage definieren
    1. Verwenden Sie ein optisches Layout-Planungstool, um Regionen des Default-Mode-Netzwerks anzusteuern.
    2. Platzieren Sie die Optoden so, dass sie den medialen präfrontalen Kortex, den posterioren cingulären Kortex/Precunius, die bilateralen angular Gyrus sowie mediotemporale Regionen abdecken.
    3. Verwenden Sie einen Abstand von 3 cm zwischen Quelle und Detektor für Kanäle mit großer Trennung.
    4. Fügen Sie Kanäle mit kurzer Trennung bei etwa 8 mm hinzu.
  3. Aufnahmeparameter konfigurieren
    1. Verwenden Sie Wellenlängen von 760 nm und 850 nm.
    2. Stellen Sie die Abtastrate auf 5,1 Hz ein.
    3. Synchronisieren Sie beide Systeme vor der Aufnahme.

6. Durchführung der experimentellen Sitzung

  1. Blocksequenz definieren
    1. Grundzustand in Ruhe (RS0) 6 min lang ohne Stimulation aufzeichnen.
    2. Ein Intervall von 2 min einfügen.
    3. Scheinstimulation 6 min lang anwenden.
    4. Ein Intervall von 2 min einfügen.
    5. Vier randomisierte aktive Stimulationsblöcke (2, 10, 25 und 40 Hz), jeweils 6 min lang, anwenden.
    6. Zwischen aufeinanderfolgenden aktiven Blöcken ein Intervall von 2 min einfügen.
    7. Nach der Stimulation den Ruhezustand (RS1) 6 min lang aufzeichnen.
  2. Ablaufdauer der Sitzung beibehalten
    1. Sicherstellen, dass die gesamte Sitzungsdauer etwa 54 min beträgt.
    2. fNIRS kontinuierlich während aller Blöcke erfassen.
  3. Standardisierte Bedingungen beibehalten
    1. Sicherstellen, dass Raumbeleuchtung, Anweisungen und Fixationsanzeige über alle Blöcke hinweg identisch bleiben.
    2. Elektrodenkontakt kontinuierlich überwachen.
    3. Das Experiment gegebenenfalls erst nach Abschluss eines Blocks unterbrechen.

7. fNIRS-Daten vorverarbeiten

  1. Aufzeichnungen segmentieren
    1. Kontinuierliche Aufzeichnungen in RS0, Sham, 2 Hz, 10 Hz, 25 Hz, 40 Hz und RS1 segmentieren.
    2. Rohintensitätssignale für jeden Kanal und jede Bedingung extrahieren.
  2. Qualitätskontrolle durchführen
    1. Butterworth-Bandpassfilterung zwischen 0,5 und 2,33 Hz anwenden.
    2. Signale in nicht überlappende 3-s-Fenster unterteilen.
    3. Skalp-Kopplungsindex (SCI) und Leistungsspektralpeak (PSP) berechnen.
    4. Fenster als akzeptabel klassifizieren, wenn SCI ≥ 0,8 und PSP ≥ 0,1.
    5. Kanäle mit ≥ 70 % akzeptablen Fenstern beibehalten.
    6. Teilnehmer mit ≥ 70 % akzeptablen Kanälen beibehalten.
  3. Artifakte korrigieren
    1. Bewegungsartefakte mithilfe der Reparatur der zeitlichen Ableitungsverteilung (TDDR) korrigieren.
    2. Wellenfilterung unter Verwendung einer 8-Wellen-Basis anwenden.
    3. Ausreißer als Koeffizienten definieren, die 4 Standardabweichungen überschreiten.
  4. Signale umwandeln
    1. Optische Dichte mithilfe des modifizierten Beer-Lambert-Gesetzes in Oxyhämoglobin umwandeln.

8. Berechnung von Netzwerkmerkmalen und Auswahl der Kandidatenfrequenz

  1. Berechnung der Konnektivität
    1. Berechnen Sie robuste Pearson-Korrelationen zwischen allen ROI-Paaren.
    2. Speichern Sie sechs eindeutige paarweise Korrelationen als Konnektivitätsvektor.
    3. Erstellen Sie eine 4 × 4 symmetrische Konnektivitätsmatrix.
  2. Berechnung abgeleiteter Merkmale
    1. Berechnen Sie die Eigenwerte und Eigenvektoren jeder Matrix.
    2. Berechnen Sie die durchschnittliche Kontrollierbarkeit für jeden Knoten nach der Matrixnormalisierung.
  3. Erstellung einer gesunden Referenzvorlage
    1. Berechnen Sie die durchschnittliche RS0-Konnektivitätsmatrix über alle eingeschlossenen gesunden Kontrollpersonen.
    2. Verwenden Sie die resultierende Matrix als Referenzvorlage für gesunde Probanden.
  4. Berechnung der Distanzen
    1. Berechnen Sie die Kosinusdistanz zwischen den Merkmalen der Teilnehmer und der Vorlage für Konnektivität, Eigenwerte und Kontrollierbarkeit.
    2. Berechnen Sie die Ähnlichkeit der Eigenvektoren mithilfe einer Komponentenzuordnung.
  5. Bewertung der Bedingungen
    1. Bewerten Sie Sham, 2 Hz, 10 Hz, 25 Hz und 40 Hz nach aufsteigender Distanz für jede Metrik.
    2. Weisen Sie den Rang 1 der kleinsten Distanz zu.
    3. Summieren Sie die Ränge über alle Metriken für jede Bedingung.
  6. Auswahl der kandidierenden individuellen Frequenz
    1. Identifizieren Sie die Bedingung mit der niedrigsten kumulativen Rangsumme.
    2. Definieren Sie diese Bedingung als kandidierende individuelle Stimulationsfrequenz.
  7. Berechnung des Stimulationsgewinns
    1. Berechnen Sie den Stimulationsgewinn (G_f) für jede Frequenz unter Verwendung der folgenden Normalisierung:
      figure-protocol-1​
      Dabei ist df  die RS0-Distanz und df  die Distanz während der Stimulationsfrequenz f, berechnet über die Bedingungen RS0, Sham, 2 Hz, 10 Hz, 25 Hz und 40 Hz.

Ergebnisse

Datenqualität und Durchführbarkeit der Erfassung

Die Anwendung der vordefinierten Datenqualitätskriterien führte zum Ausschluss von Kanälen und Teilnehmern mit unzureichender Signalqualität. Erfolgreiche Ergebnisse zeichnen sich durch eine hohe Kanalerhaltung über alle Bedingungen hinweg, stabile hämodynamische Aufzeichnungen und interpretierbare Konnektivitätsmuster aus, die eine zuverlässige Schätzung der Netzwerkmerkmale ermöglichen. Schlechte oder suboptimale Ergebnisse umfassen geringe Signalqualität, übermäßige Bewegungsartefakte, unzureichende Optoden-Kopfhaut-Kopplung, ungenügende Kanalerhaltung oder inkonsistente Netzwerkschätzungen, die die Interpretierbarkeit einschränken. Wie in Abbildung 3 und Abbildung 4 veranschaulicht, umfasste der endgültige Datensatz nach Qualitätsbeurteilung 19 Teilnehmer mit einer Major Depression (MDD; mittleres Alter: 31,21 Jahre, SD: 8,99; 10 Frauen) und 19 gesunde Kontrollpersonen (HC; mittleres Alter: 33,5 Jahre, SD: 13,51; 7 Frauen). Sieben Teilnehmer (3 MDD und 4 HC) wurden aufgrund unzureichender Datenqualität ausgeschlossen, hauptsächlich bedingt durch Bewegungsartefakte oder unzureichende Optoden-Kopfhaut-Kopplung.

Kanalweise Qualitätskarten zeigten zudem heterogene räumliche Verteilungen der Signalqualität zwischen den Teilnehmern, wobei bei einigen Probanden lokal begrenzte Bereiche mit verringerter Qualität auftraten. Diese Ergebnisse unterstreichen die Bedeutung der Anwendung vordefinierter Schwellenwerte, die auf dem Scalp-Kopplungsindex und dem Leistungsspektralpeak basieren, bevor eine weitere Analyse erfolgt. Diese Qualitätskontrollverfahren stellen sicher, dass nachfolgende Netzwerkmaße aus zuverlässigen Daten berechnet werden, und stellen einen entscheidenden Bestandteil des Protokolls dar. Die hier gezeigten repräsentativen Ergebnisse hängen direkt vom erfolgreichen Abschluss der Datenqualitätsprüfung, der standardisierten Vorverarbeitung, der gewinnungsbasierten Zeitreihenextraktion und der Anwendung des vordefinierten Rangsummen-Auswahlverfahrens ab.

Vorverarbeitung und Netzwerkkonstruktion

Das experimentelle Design und der Vorverarbeitungsworkflow sind in Abbildung 1 und Abbildung 2 dargestellt. Nach dem Schritt der Qualitätskontrolle (Abbildung 2) wurden die Signale erfolgreich in Hämoglobinkonzentration umgewandelt und auf Bewegungsartefakte sowie systemisches physiologisches Rauschen korrigiert. Ein erfolgreicher Abschluss dieser Vorverarbeitungsschritte zeigt sich in erhaltenen hochwertigen Kanälen, stabilen regionalen Zeitsereihen und interpretierbaren Konnektivitätsschätzungen, während schlechte Ergebnisse durch übermäßigen Signalverlust, nicht behobene Artefakte oder unzuverlässige Netzwerkmaße gekennzeichnet sind. Die Extraktion regionaler Zeitsereihen aus Knoten des Standardmodus-Netzwerks ermöglichte die Erstellung funktionaler Konnektivitätsmatrizen für jede Bedingung. Diese repräsentativen Ergebnisse hängen direkt von der erfolgreichen Durchführung der Datenqualitätskontrolle17, standardisierten Vorverarbeitung18, ROI-Definition und Anwendung des vordefinierten Rangverfahrens ab. Die resultierenden funktionalen Konnektivitätsmatrizen des Standardmodus-Netzwerks bilden die Grundlage für nachfolgende, distanzbasierte Vergleiche.

Vertretende netzwerkbasierte Ergebnisse

Abbildung 5A zeigt ein Beispiel für ein bedingungsspezifisches funktionelles Konnektivitätsprofil des DMN für einen repräsentativen MDD-Teilnehmer sowie die Referenz-DMN-Netzwerkschablone, die aus gesunden Kontrollpersonen abgeleitet wurde. Diese Matrizen ermöglichen eine direkte Visualisierung der Region-an-Region-Konnektivitätsmuster über verschiedene Bedingungen hinweg und helfen dabei, erfolgreiche Protokollergebnisse von weniger interpretierbaren oder qualitativ schlechteren Netzwerkschätzungen zu unterscheiden. Die visuelle Inspektion zeigt bedingungsabhängige Unterschiede in der Netzwerkorganisation im Vergleich zur Schablone und verdeutlicht, wie die Stimulationsfrequenz die DMN-Netzwerkstruktur innerhalb einer einzelnen Sitzung modulieren kann.

Distanzmaße (Abbildung 5B) quantifizieren diese Unterschiede über mehrere Metriken hinweg (Konnektivität, Eigenwerte, Eigenvektoren und durchschnittliche Kontrollierbarkeit). Für jede Metrik können Bedingungen basierend auf ihrer Nähe zur Referenzvorlage eingestuft werden, wobei niedrigere Distanzwerte eine größere Ähnlichkeit anzeigen. Bemerkenswerterweise variiert die Rangfolge der verschiedenen Distanzmetriken je nach Bedingung, was die komplementären Informationen widerspiegelt, die jede Metrik über die Netzwerkd Darstellungen erfasst.

Konsensbasierte Frequenzwahl

Um Informationen aus vier Metriken zu integrieren, wurden Rangplätze innerhalb jedes Teilnehmers zusammengefasst (Abbildung 5C). Eine deutliche Trennung der kumulativen Rangpunkte zwischen den Bedingungen weist auf eine erfolgreiche Differenzierung frequenzspezifischer Netzwerkantworten hin, während sehr ähnliche Rangpunkte über die Bedingungen hinweg auf eine begrenzte Empfindlichkeit des Protokolls oder eine schwache Unterscheidung zwischen den Stimulationseffekten hindeuten. Die Bedingung mit dem niedrigsten kumulativen Rangpunkt wurde als aussichtsreicher Kandidat für die repräsentative Stimulationsfrequenz dieses Teilnehmers betrachtet. Tabelle 1 fasst diese Auswahl über alle Teilnehmer hinweg zusammen, zusammen mit den entsprechenden Stimulationsgewinnwerten und der Übereinstimmung zwischen den Metriken, quantifiziert durch Kendalls W.

In der MDD-Gruppe zeigten 12 von 19 Teilnehmern den niedrigsten kumulativen Rang für eine aktive Stimulationsfrequenz statt für die Placebo-Bedingung. Die ausgewählte Stimulationsfrequenz variierte zwischen den Teilnehmern, wie in Tabelle 1 zusammengefasst. Die Übereinstimmung zwischen den Metriken, quantifiziert mittels Kendalls W, unterschied sich ebenfalls zwischen den Individuen und spiegelte die Variabilität in der Konsistenz der Rangfolgen wider. Höhere Werte von Kendalls W deuten auf eine stärkere Übereinstimmung zwischen den Metriken und ein höheres Vertrauen darauf hin, dass mehrere Netzwerkmaße dieselbe Rangfolge der Bedingungen unterstützen, während niedrigere Werte auf eine schwächere Übereinstimmung und größere Heterogenität zwischen den Metriken hindeuten. Daher sollte die endgültige Auswahl als datengestützte Integration komplementärer Netzwerkmerkmale verstanden werden und nicht als Entscheidung, die auf einer einzelnen Metrik basiert.

Diese repräsentativen und auf Durchführbarkeit basierenden Ergebnisse veranschaulichen die Arten von netzwerkbasierten Ausgabedaten, die durch das Protokoll erzeugt werden, und zeigen, dass der Arbeitsablauf für within-subject-Vergleiche zwischen verschiedenen Stimulationsbedingungen angewendet werden kann. Die Befunde sollen die Signalakquise, Vorverarbeitung, Merkmalsextraktion und rangbasierte Parameterabbildung veranschaulichen, nicht jedoch als Beleg für therapeutische Vorteile, klinische Wirksamkeit oder Leistungsvalidierung dienen, wie in Abbildung 1–5 und Tabelle 1 dargestellt.

figure-results-1
Abbildung 1. Experimenteller Aufbau und fNIRS-Sondenkonfiguration. (A) Intra-individueller experimenteller Aufbau. Jeder Teilnehmer absolvierte alle Bedingungen innerhalb einer einzigen Sitzung, einschließlich des Ruhezustands zu Beginn (RS0), einer Scheinstimulation, vier aktiver Stimulationsfrequenzen (2, 10, 25 und 40 Hz) sowie des Ruhezustands nach der Stimulation (RS1). Die Reihenfolge der aktiven Stimulation wurde über die Teilnehmer hinweg randomisiert. Jeder Block dauerte 6 min und war durch Intervalle von etwa 2 min ohne Stimulation voneinander getrennt. Daten der funktionellen Nahinfrarotspektroskopie (fNIRS) wurden kontinuierlich (~54 min insgesamt) aufgezeichnet und für die Analyse nach Bedingungen segmentiert. (B) fNIRS-Sondenanordnung mit 32 Quellen (rot) und 30 Detektoren (blau), die 89 Kanäle mit großer Trennweite und 8 Kanäle mit kurzer Trennweite (eingekreist) bilden. Kanäle mit kurzer Trennweite dienten der Unterdrückung oberflächlicher physiologischer Störungen. (C) Kortikales Empfindlichkeitsprofil der Sondenanordnung bezogen auf das Standardmodell-Netzwerk (DMN), basierend auf dem Automated Anatomical Labeling (AAL)-Atlas, das die tiefenabhängige Messempfindlichkeit veranschaulicht. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen. 

figure-results-2
Abbildung 2. Vorverarbeitungs- und Merkmalsextraktions-Pipeline für die netzwerkbasierte fNIRS-Analyse.
Rohdaten der Lichtintensität wurden in bedingungsspezifische Blöcke unterteilt (RS0, Placebo, Stimulationsfrequenzen und RS1). Die Datenqualität wurde anhand des Kopplungsindex zwischen Scalp und Sensor (SCI > 0,8) sowie des Leistungsspektral-Peaks (PSP > 0,1) bewertet, wobei nur Kanäle hoher Qualität beibehalten wurden. Die Signale wurden in optische Dichte umgewandelt und anschließend eine Bewegungskorrektur mittels Reparatur der zeitlichen Ableitungsverteilung (TDDR) sowie eine Wellenlettenfilterung durchgeführt. Änderungen der Hämoglobinkonzentration wurden berechnet, und eine Regression mit kurzen Abständen wurde angewandt, um systemisch bedingte physiologische Störungen zu reduzieren. Für die Netzwerkanalyse wurden Zeitreihen aus interessierenden Hirnregionen (ROIs) innerhalb des Standardmodus-Netzwerks (DMN) extrahiert, einschließlich des medialen präfrontalen Kortex (mPFC), des Precuneus (Prec), des unteren Parietalläppchens (IPL) und des medialen Temporallappens (MTL). Die funktionelle Konnektivität wurde zwischen den ROIs berechnet. Abgeleitete Merkmale umfassten Konnektivitätswerte, Eigenwerte, Eigenvektoren und durchschnittliche Steuerbarkeit. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

figure-results-3
Abbildung 3. Bewertung der Datengüte bei Teilnehmern mit einer schweren depressiven Störung (MDD).
(A) Anzahl der Kanäle, die während der Baseline-Bedingung (RS0) die Qualitätskriterien für jeden Teilnehmer mit MDD erfüllten. Die Balken zeigen alle Kanäle (grau), Kanäle mit großer Trennweite (blau) und Kanäle mit geringer Trennweite (orange), die die Qualitätskriterien erfüllten (≥70 % der Aufnahmezeit mit SCI > 0,8 und PSP > 0,1). Gestrichelte Linien zeigen die maximale Anzahl verfügbarer Kanäle mit großer Trennweite (89), Kanäle mit geringer Trennweite (8) sowie die Schwelle für akzeptable Datengüte auf Teilnehmerebene (≥70 % der Gesamtanzahl der Kanäle erhalten). Teilnehmer unterhalb der Schwelle sind hervorgehoben (D13, D18, D19). (B) Kanalweise Datengüte über alle Teilnehmer hinweg. Die Wärmekarte zeigt den Prozentsatz der Aufnahmezeit, in dem die Qualitätskriterien für jeden Kanal und Teilnehmer während RS0 erfüllt wurden. Dunklere Schattierungen deuten auf eine geringere Datengüte hin. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-4
Abbildung 4. Bewertung der Datengüte bei gesunden Kontrollpersonen. (A) Anzahl der Kanäle, die während der Baseline-Bedingung (RS0) die Qualitätskriterien für jeden gesunden Kontrollteilnehmer erfüllten. Die Balken zeigen alle Kanäle (grau), Kanäle mit großer Trennweite (blau) und Kanäle mit kurzer Trennweite (orange), die die Qualitätskriterien erfüllten (≥70 % der Aufnahmezeit mit SCI > 0,8 und PSP > 0,1). Gestrichelte Linien zeigen die maximale Anzahl verfügbarer Kanäle sowie die Schwelle für akzeptable Datengüte auf Teilnehmerebene (≥ 70 % der Gesamtanzahl an Kanälen erhalten). Teilnehmer unterhalb der Schwelle sind hervorgehoben (HC13, HC14, HC15, HC18). (B) Kanalweise Datengüte über alle Teilnehmer hinweg. Die Wärmekarte zeigt den Prozentsatz der Aufnahmezeit, in dem die Qualitätskriterien für jeden Kanal und Teilnehmer während RS0 erfüllt wurden. Dunklere Schattierungen weisen auf geringere Datengüte hin. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-5
Abbildung 5. Repräsentative, distanzbasierte Auswahl der Stimulationsfrequenz bei einem einzelnen Teilnehmer.
(A) Funktionsverbund-Matrizen, die paarweise Wechselwirkungen zwischen vier Regionen des Standardmodus-Netzwerks bei einem repräsentativen Teilnehmer mit MDD (D11) unter verschiedenen Bedingungen (RS0, Sham und Stimulationsfrequenzen) zeigen. Die Regionen umfassen den medialen präfrontalen Kortex (mPFC), den unteren Parietallappen (IPL), den Präkuneus (Prec) und den medialen Temporallappen (MTL). Die zentrale Matrix stellt die Schablone für gesunde Kontrollpersonen dar, die aus gruppenbasierten RS0-Daten abgeleitet wurde. (B) Distanzmaße zwischen jeder Bedingung und der Schablone für gesunde Kontrollpersonen über vier Metriken hinweg: Verbunddistanz (D_conn), Eigenwertdistanz (D_eig), Eigenvektordistanz (D_evec) und durchschnittliche Kontrollierbarkeitsdistanz (D_AC). Die Balken zeigen die Distanzwerte an; niedrigere Werte deuten auf eine größere Ähnlichkeit zur Schablone hin. Die Rangfolge ist für jede Bedingung angegeben (Rang 1 = kleinste Distanz). (C) Konsensrangfolge über alle Metriken, ermittelt durch Summierung der Ränge für jede Bedingung. Die Bedingung mit dem niedrigsten Gesamtrang wurde als Kandidaten-Stimulationsfrequenz für diesen Teilnehmer ausgewählt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Teilnehmer-IDKonnektivitätEigenwertEigenvektorDurchschnittliche KontrollierbarkeitKonsensKendall-W
D0140HZ (G=1.00)40HZ (G=1.00)40HZ (G=1.00)40HZ (G=0.29)40HZ0.85
D02Sham (G=0.18)Sham (G=0.00)Sham (G=0.11)Sham (G=-0.09)Sham0.89
D0310HZ (G=0.20)Sham (G=0.05)2HZ (G=0.56)Sham (G=0.63)40HZ0.34
D07Sham (G=0.29)25HZ (G=0.06)2HZ (G=0.33)25HZ (G=0.45)25HZ0.36
D10Sham (G=1.00)Sham (G=1.00)Sham (G=1.00)Sham (G=1.00)Sham0.59
D1110HZ (G=0.71)10HZ (G=0.66)2HZ (G=0.73)40HZ (G=1.00)10HZ0.34
D1540HZ (G=0.58)40HZ (G=0.53)40HZ (G=0.21)40HZ (G=-0.27)40HZ0.96
D1625HZ (G=1.00)10HZ (G=1.00)25HZ (G=0.90)25HZ (G=0.40)25HZ0.64
D172HZ (G=0.51)2HZ (G=0.75)25HZ (G=0.73)10HZ (G=0.82)10HZ0.21
D2025HZ (G=-0.08)25HZ (G=0.04)25HZ (G=-0.27)Sham (G=0.31)25HZ0.84
D21Sham (G=0.37)2HZ (G=0.08)Sham (G=0.27)40HZ (G=-0.28)Sham0.41
D222HZ (G=-0.06)10HZ (G=0.19)2HZ (G=0.75)2HZ (G=1.00)2HZ0.47
D23Sham (G=0.53)25HZ (G=-0.14)Sham (G=0.71)40HZ (G=0.23)Sham0.31
D2425HZ (G=0.59)25HZ (G=0.18)25HZ (G=0.18)Sham (G=0.34)25HZ0.5
D2525HZ (G=1.00)Sham (G=-0.01)10HZ (G=1.00)Sham (G=0.19)25HZ0.16
D2610HZ (G=0.52)Sham (G=0.01)10HZ (G=1.00)10HZ (G=0.71)10HZ0.93
D2710HZ (G=-0.11)10HZ (G=0.20)2HZ (G=-0.20)40HZ (G=1.00)2HZ0.05
D2810HZ (G=0.51)10HZ (G=0.04)10HZ (G=1.00)10HZ (G=-0.02)10HZ0.81
D2910HZ (G=0.81) 10HZ (G=0.54) Sham (G=1.00)10HZ (G=1.00) 10HZ0.85
Verstärkung0.50, 0.520.32, 0.180.58, 0.730.46, 0.400.55, 0.50
 (Mittelwert, Median)

Tabelle 1: Teilnehmerspezifische Frequenzselektion über verschiedene Distanzmetriken.

Für jeden Teilnehmer wird die Stimulationsbedingung angegeben, die mit dem geringsten Abstand zur gesunden Kontrollvorlage für vier netzwerkbasierte Metriken verbunden ist: Konnektivitätsabstand (D_conn), Eigenwertabstand (D_eig), Eigenvektorabstand (D_evec) und durchschnittlicher Kontrollierbarkeitsabstand (D_AC). Die Werte in Klammern (G) geben den Stimulationsgewinn an. Die Spalte „Konsens“ zeigt die vorgeschlagene Stimulationsfrequenz basierend auf der Rangaggregation über die vier Metriken hinweg. Kendalls W quantifiziert die Übereinstimmung zwischen den Metriken innerhalb jedes Teilnehmers. Die letzte Zeile fasst die mittleren und medianen Stimulationsgewinnwerte über alle Teilnehmer hinweg für jede Metrik zusammen, zusammen mit den entsprechenden Kendalls-W-Werten.

Diskussion

Methodische Begründung und kritische Schritte

Dieses Protokoll bietet einen standardisierten Arbeitsablauf zur innerhalb einer Sitzung erfolgenden Kartierung frequenzabhängiger Effekte der transkutanen aurikulären Vagusnervstimulation (taVNS) unter Verwendung der funktionellen Nahinfrarotspektroskopie im Ruhezustand (fNIRS). Ziel ist ein strukturierter Vergleich von Kandidaten-Stimulationsparametern unter kontrollierten Bedingungen, nicht jedoch eine validierte individuelle Optimierung.

Mehrere Schritte sind entscheidend für eine zuverlässige Durchführung. Die fehlerhafte Umsetzung dieser Schritte kann zu einer verminderten Signalqualität, unzuverlässigen Konnektivitätsschätzungen, instabilen Rangfolgen oder dem Verlust analysierbarer Datensätze führen. Die Stimulationsintensität muss für jede Frequenz separat auf ein festgelegtes wahrgenommenes Niveau (7–8/10) kalibriert werden, da die Wahrnehmungsschwellen je nach Frequenz variieren und andernfalls Vergleiche verfälschen könnten19. Eine unsachgemäße Kalibrierung könnte zu Unterschieden in der wahrgenommenen Stimulationsintensität führen, anstatt echte frequenzspezifische neuronale Effekte widerzuspiegeln, wodurch die Vergleichbarkeit zwischen den Bedingungen eingeschränkt wird. Die Qualität der fNIRS-Daten muss durch stabile Optoden-Kopfhaut-Kopplung, Bewegungskorrektur, Regression mit kurzen Trennabständen und vordefinierte Kriterien zur Kanalbeibehaltung sichergestellt werden. Eine konsistente Definition der interessierenden Regionen (ROI) über alle Teilnehmer und Bedingungen hinweg ist erforderlich, um die Vergleichbarkeit der Netzwerkmerkmale zu gewährleisten. Schließlich sollte die Frequenzauswahl auf einem vorab festgelegten, rangbasierten Ansatz beruhen, der mehrere komplementäre Metriken integriert, anstatt sich auf ein einzelnes Maß zu verlassen. Diese methodischen Schritte bestimmen unmittelbar die Qualität, Stabilität und Interpretierbarkeit der resultierenden Netzwerkmaße und beeinflussen daher die im Ergebnisteil gezeigten repräsentativen Ausgaben.

Sequentielles innerhalb der Sitzung angesetztes Design und Übertragungseffekte

Das Protokoll wendet mehrere Stimulationsfrequenzen nacheinander innerhalb einer einzigen Sitzung an, ohne einen längeren physiologischen Washout durchzuführen. Obwohl feste Intervalle zwischen den Bedingungen verwendet werden, können Übertragungs- oder Wechselwirkungseffekte nicht ausgeschlossen werden. Dies könnte die Unabhängigkeit bedingungsspezifischer Reaktionen beeinflussen und sollte bei der Interpretation von Unterschieden zwischen Stimulationsfrequenzen berücksichtigt werden. Entsprechend sollten Frequenzunterschiede als relative innerhalb-sitzungs-Effekte interpretiert werden. Die identifizierte „optimale Frequenz“ spiegelt die am besten abschneidende Bedingung innerhalb dieser Sitzung wider und sollte als relatives, datenbasiertes Rangfolgeergebnis innerhalb der Sitzung verstanden werden, nicht jedoch als definitive oder verallgemeinerbare Stimulationsparameter ohne Wiederholung20.

Vergleich mit alternativen Ansätzen

Protokolle mit fester Frequenz ermöglichen eine Standardisierung, berücksichtigen jedoch keine interindividuellen Variabilitäten, während eine an den Symptomen ausgerichtete Anpassung keinen direkten physiologischen Einblick bietet21. Ansätze, die mittels funktioneller Magnetresonanztomographie (fMRT) gesteuert werden, ermöglichen eine umfassendere räumliche Abdeckung, sind jedoch für wiederholte Anwendungen oder den Einsatz am Bettplatz weniger geeignet. Im Vergleich zu diesen Ansätzen bietet das vorliegende Protokoll Vorteile hinsichtlich Portabilität, Durchführbarkeit für wiederholte Messungen und direkter netzwerkebener Bewertung, ist jedoch durch eine geringere räumliche Tiefe und eine erhöhte Empfindlichkeit gegenüber Bewegungsartefakten eingeschränkt22. Es sollte daher als pragmatisches Rahmenwerk zur explorativen Parameterkartierung und nicht als klinisch validierte Optimierungsstrategie betrachtet werden.

Einschränkungen

Das Protokoll basiert auf einem Einzelsitzungs-Design und bewertet weder die Persistenz netzwerkspezifischer Effekte noch klinische Ergebnisse. Eine sequenzielle Stimulation könnte residuale Effekte zwischen den Bedingungen hervorrufen23. Diese Faktoren können die Stabilität und Generalisierbarkeit der identifizierten frequenzspezifischen Antworten beeinflussen. Zusätzlich können anatomische Variabilität, Elektrodenplatzierung und Hautimpedanz die Stimulationswirksamkeit beeinträchtigen, während strenge Qualitätskontrollkriterien für fNIRS die Anzahl analysierbarer Datensätze verringern können. Darüber hinaus beschränken sich fNIRS-Messungen auf kortikale Regionen und erfassen keine subkortikalen Aktivitäten, die zu netzwerkebenebezogenen Effekten beitragen könnten.

Anwendungsbereich und Gültigkeit

Dieses Protokoll eignet sich besonders für Forscher, die Pilotstudien, Machbarkeitsuntersuchungen oder die Entwicklung von Protokollen in einem frühen Stadium in der Neuromodulationsforschung durchführen. Es unterstützt die netzwerkbasierte Auswahl von potenziellen Stimulationsparametern, legt jedoch keine therapeutische Wirksamkeit oder präzise Psychiatrie fest. Der Rahmen kann an andere Netzwerke, Störungen oder Stimulationsparameter angepasst werden, indem die Platzierung der Optoden und die Definitionen der interessierenden Regionen (ROI) modifiziert werden, vorausgesetzt, dass eine konsistente Vorverarbeitung, eine sorgfältige Qualitätskontrolle und transparente Vergleichsverfahren beibehalten werden24.

Offenlegungen

Alle Teilnehmer gaben vor ihrer Teilnahme an den Experimenten eine schriftliche informierte Einwilligung ab. Die Studienprotokolle wurden von dem zuständigen Ethikkomitee der Philipps-Universität Marburg geprüft und genehmigt.

Benutzerdefinierte Software-Skripte, anonymisierte Daten und sonstiges Material, die in dieser Studie verwendet wurden, können auf Anfrage interessierten Parteien zur Verfügung gestellt werden.

Aussage zur Beitragsleistung der Autoren

Svenja J. Francke trug zur Rekrutierung der Teilnehmer, Datenerhebung, Projektverwaltung, Methodik sowie zur Erstellung des ursprünglichen Entwurfs und des überarbeiteten Manuskripts bei. Sarah Alizadeh trug zur Konzeption, Methodik, Datenanalyse, Visualisierung sowie zur Erstellung des ursprünglichen Entwurfs und des überarbeiteten Manuskripts bei. José C. García Alanis trug zur Konzeption, Methodik, Projektverwaltung, Datenanalyse sowie zur Überprüfung und Bearbeitung des Manuskripts bei. Dorian Kock trug zur Rekrutierung der Teilnehmer, Datenerhebung, Methodik sowie zur Erstellung des ursprünglichen Entwurfs und des überarbeiteten Manuskripts bei. Jannick Herrmann trug zur Rekrutierung der Teilnehmer, Datenerhebung, Methodik sowie zur Erstellung des ursprünglichen Entwurfs und des überarbeiteten Manuskripts bei. Maximilian Kastl trug zur Rekrutierung der Teilnehmer, Datenerhebung, Methodik sowie zur Erstellung des ursprünglichen Entwurfs und des überarbeiteten Manuskripts bei. Hamidreza Jamalabadi trug zur Konzeption, Methodik, Datenanalyse, Betreuung sowie zur Überprüfung und Bearbeitung des Manuskripts bei. Felix P. Bernhard trug zur Konzeption, Methodik, Betreuung sowie zur Erstellung des ursprünglichen Entwurfs und des überarbeiteten Manuskripts bei.

Danksagungen

Diese Arbeit wurde teilweise durch Konsortialförderungen der Deutschen Forschungsgemeinschaft (DFG) SFB/TRR 393 (Projektförderung Nr. 521379614), durch eine Forschungsbeihilfe der von Behring Röntgen-Stiftung (Nr. 70\_00038), durch eine Forschungsbeihilfe des Universitätsklinikums Gießen und Marburg (UKGM, Nr. 1/2024 MR) sowie durch die Edda und Helmut Laich Stiftung gefördert. Diese Arbeit wurde zudem durch das DYNAMIC-Zentrum unterstützt, das im Rahmen des LOEWE-Programms des hessischen Ministeriums für Wissenschaft und Kunst (Förderkennzeichen: LOEWE 1/16/519/03/09.001(0009)/98) und durch die Deutsche Forschungsgemeinschaft (DFG) im Rahmen von Deutschlands

Exzellenzstrategie (EXC 3066/1 „The Adaptive Mind“, Projekt-Nr. 533717223).

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
fNIRS-System (tragbares Multikanal-System mit kontinuierlicher Welle)NIRxNIRSport2Tragbares, zweifarbiges Multikanal-fNIRS-System zur Aufzeichnung kortikaler hämodynamischer Signale
fNIRS-AufnahmesoftwareNIRxAuroraEigene Software zur Signalakquise, Überwachung und Markierung von Ereignissen
fNIRS-Kappe mit OptodenNIRxKompatibel mit NIRSport2Wird zur Platzierung von Lichtquellen und Detektoren verwendet
Optoden (Quellen und Detektoren)NIRxKompatibel mit NIRSport2Kanäle mit großer Trennung (~30 mm) und Kanäle mit geringer Trennung (~8 mm)
MATLABMathWorksAktuellste im Studium verwendete VersionWird für die Vorverarbeitung, Konnektivitätsanalyse und benutzerdefinierte Skripte verwendet
SignalverarbeitungstoolboxMathWorksMATLAB-ErweiterungWird zur Filterung und Verarbeitung von Zeitreihen verwendet
Statistik- und Machine-Learning-ToolboxMathWorksMATLAB-ErweiterungWird für Rangfolgen, deskriptive Statistiken und Übereinstimmungsmetriken verwendet
Benutzerdefinierte AnalyseskripteEigenentwicklungN/VWird für Vorverarbeitung, Merkmalsextraktion und frequenzbasierte Rangauswahl verwendet
taVNS-StimulationsgerättVNS GmbHIm Studium verwendeter GerätemodellWird zur transkutanen aurikulären Vagusnervstimulation verwendet
Aurikuläre Stimulations-ElektrodentVNS GmbHKompatibel mit StimulatorWird zur Platzierung am linken Cymba conchae verwendet
Elektrodenkabel und -verbindertVNS GmbHKompatibel mit StimulatorWird zum Anschließen der Elektroden an das Stimulationsgerät verwendet
Kontaktcreme / leitfähiges GeltVNS GmbHN/VWird zur Verbesserung des Elektroden-Haut-Kontakts während der Stimulation verwendet
AlkoholtüchertVNS GmbHN/VWird zur Hautvorbereitung vor der Elektrodenplatzierung verwendet
PsychoPyOpen Science Tools Ltd.Version 2024.4.2Wird zur experimentellen Steuerung, Zeitsteuerung, Blockrandomisierung, Stimuluspräsentation und Synchronisierung verwendet
ComputerarbeitsstationLenovoThinkPad T14, G31666Wird zur Steuerung der Datenaufnahme und Offline-Analyse verwendet; Intel Core Ultra 5, 16 GB RAM, 500 GB SSD, Windows 11 Pro
Bildschirm / AnzeigeLenovoThinkVision T32UD-4031,5-Zoll-IPS-Display zur Präsentation des Fixierungskreuzes; Auflösung 3840 × 2160 bei 60 Hz
Ruhiger TestraumEigene EinrichtungN/VWird verwendet, um Umgebungsstörungen während der Aufzeichnungen zu minimieren

Referenzen

  1. Rings, T., von Wrede, R., Bröhl, T., Schach, S., Helmstaedter, C., et al. Impact of transcutaneous auricular vagus nerve stimulation on large-scale functional brain networks: from local to global. Front Physiol. 12, 700261(2021).
  2. Kong, J., Fang, J., Park, J., Li, S., Rong, P. Treating depression with transcutaneous auricular vagus nerve stimulation: state of the art and future perspectives. Front Psychiatry. 9, 20(2018).
  3. Badran, B. W., et al. Short trains of transcutaneous auricular vagus nerve stimulation (taVNS) have parameter-specific effects on heart rate. Brain Stimul. 11 (4), 699-708 (2018).
  4. Farmer, A. D., et al. International consensus based review and recommendations for minimum reporting standards in research on transcutaneous vagus nerve stimulation (version 2020). Front Hum Neurosci. 14, 568051(2020).
  5. Yakunina, N., Kim, S. S., Nam, E. -C. Optimization of transcutaneous vagus nerve stimulation using functional MRI. Neuromodulation. 20 (3), 290-300 (2017).
  6. Parente, J., et al. Neural, anti-inflammatory, and clinical effects of transauricular vagus nerve stimulation in major depressive disorder: a systematic review. Int J Neuropsychopharmacol. 27 (3), pyad058(2024).
  7. Chao, J., et al. fNIRS evidence for distinguishing patients with major depression and healthy controls. IEEE Trans Neural Syst Rehabil Eng. 29, 2211-2221 (2021).
  8. Ho, C. S. H., et al. Diagnostic and predictive applications of functional near-infrared spectroscopy for major depressive disorder: a systematic review. Front Psychiatry. 11, 378(2020).
  9. Ludwig, M., Pereira, C., Keute, M., Düzel, E., Betts, M. J., et al. Evaluating phasic transcutaneous vagus nerve stimulation (taVNS) with pupil dilation: the importance of stimulation intensity and sensory perception. bioRxiv. , (2024).
  10. Fox, M. D., Buckner, R. L., White, M. P., Greicius, M. D., Pascual-Leone, A. Efficacy of transcranial magnetic stimulation targets for depression is related to intrinsic functional connectivity with the subgenual cingulate. Biol Psychiatry. 72 (7), 595-603 (2012).
  11. Drysdale, A. T., et al. Resting-state connectivity biomarkers define neurophysiological subtypes of depression. Nat Med. 23 (1), 28-38 (2017).
  12. Kaiser, R. H., Andrews-Hanna, J. R., Wager, T. D., Pizzagalli, D. A. Large-scale network dysfunction in major depressive disorder: a meta-analysis of resting-state functional connectivity. JAMA Psychiatry. 72 (6), 603-611 (2015).
  13. Whitfield-Gabrieli, S., Ford, J. M. Default mode network activity and connectivity in psychopathology. Annu Rev Clin Psychol. 8, 49-76 (2012).
  14. Fang, J., et al. Transcutaneous vagus nerve stimulation modulates default mode network in major depressive disorder. Biol Psychiatry. 79 (4), 266-273 (2016).
  15. Bassett, D. S., Sporns, O. Network neuroscience. Nat Neurosci. 20 (3), 353-364 (2017).
  16. Gu, S., et al. Controllability of structural brain networks. Nat Commun. 6, 8414(2015).
  17. Brigadoi, S., et al. Motion artifacts in functional near-infrared spectroscopy: a comparison of motion correction techniques applied to real cognitive data. Neuroimage. 85 (Pt 1), 181-191 (2014).
  18. Yücel, M. A., et al. Best practices for fNIRS publications. Neurophotonics. 8 (1), 012101(2021).
  19. Berman, G. J., Bialek, W., Shaevitz, J. W. Predictability and hierarchy in Drosophila behavior. Proc Natl Acad Sci U S A. 113 (42), 11943-11948 (2016).
  20. Atanackov, P., Peterlin, J., Derlink, M., Kovačič, U., Kejžar, N., et al. The acute effects of varying frequency and pulse width of transcutaneous auricular vagus nerve stimulation on heart rate variability in healthy adults: a randomized crossover controlled trial. Biomedicines. 13 (3), 700(2025).
  21. Anderson, Z., Turner, J. A., Ashar, Y. K., Calhoun, V. D., Mittal, V. A. Application of hyperalignment to resting state data in individuals with psychosis reveals systematic changes in functional networks and identifies distinct clinical subgroups. Aperture Neuro. 4, (2024).
  22. Austelle, C. W., et al. A comprehensive review of vagus nerve stimulation for depression. Neuromodulation. 25 (3), 309-315 (2022).
  23. Badran, B. W., et al. Neurophysiologic effects of transcutaneous auricular vagus nerve stimulation (taVNS) via electrical stimulation of the tragus: a concurrent taVNS/fMRI study and review. Focus. 20 (1), 80-89 (2022).
  24. Baig, S. S., et al. Optimizing non-invasive vagus nerve stimulation for treatment in stroke. Neural Regen Res. 20 (12), 3388-3399 (2025).

Nachdrucke und Genehmigungen

Tags

fNIRS-MappingNeuroimaging bei DepressionenDefault Mode NetworkStimulationsfrequenz-MappingAnalyse auf Netzwerkebenetranskutane Vagusnervstimulationindividualisierte Parameterwahl

Dieser Artikel wurde veröffentlicht

Video demnächst verfügbar

Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.