Die Kombination von Elektroenzephalographie (EEG) und funktioneller MR-Tomographie (fMRT) ermöglicht es, die Vorteile dieser unabhängigen Modalitäten zu nutzen. Ziel des in Kooperation mit dem MPI für Psychiatrie beantragten Projekts ist die Entwicklung (bio-)statistischer Methoden, mit denen EEG-basierte, räumlich variierende Priori-Information in fMRT-Analysen genutzt werden kann. Als Anwendungsbeispiele werden durch akustische Signale induzierte basale kognitive Verarbeitungsprozesse im Wachen vorgeschlagen.
Im Zentrum des Projekts stehen dabei Modelle zur Prädiktion des fMRT Signals, in denen die räumliche Lokalisation von neuronalen Aktivitäten verbessert werden soll, indem Vorwissen in Form von räumlicher EEG Information berücksichtigt wird. Zur Extraktion der EEG-Information sollen insbesondere EEG-Tomographie-Methoden wie LORETA (low resolution electromagnetic tomography) oder verwandte Konzepte (BASTA [Bayesian spatio-temporal approach] oder REML [restricted maximum likelihood]) zur Lösung des zugrunde liegenden inversen Problems eingesetzt werden.
Die statistische Modellierung und Inferenz beruht auf Bayesianischen Konzepten, die zur Analyse von reinen fMRT-Daten im Rahmen des SFB 386 "Statistische Analyse diskreter Strukturen" in einer Kooperation zwischen dem Institut für Statistik der LMU und dem MPI für Psychiatrie (MPIP) bereits sehr erfolgreich eingesetzt wurden. Ziel der methodischen Entwicklung sind Modelle und statistische Analyseinstrumente, die diese Konzepte erweitern und das Einbeziehen von räumlich variierender EEG-Information in fMRT-Modellen in flexibler semiparametrischer Weise ermöglichen.
Innovationen in Bio- und Informationstechnologie, die non- und semiparametrische Modellierung von Regressionsfunktionen durch flexible Funktionenklassen wie Splines oder Wavelets und Fragestellungen der zeitlich-räumlichen Statistik führen zu Regressionsmodellen, deren Prädiktoren im Verhältnis zum Stichprobenumfang eine große Zahl von Parametern aufweisen. In den so entstehenden inversen Problemen wird somit eine geeignete Regularisierung notwendig. In diesem Projekt sollen zur adäquaten Durchführung statistischer Inferenz Regularisierungs- und damit verwandte Modellwahlverfahren für Regressionsmodelle mit hochdimensionalen Prädiktoren im Rahmen moderner, bayesianischer Ansätze entwickelt und untersucht werden. Ziel des Projekts ist es, Priori-Annahmen mit den gewünschten Selektions- und Adaptivitätseigenschaften zu formulieren, die entsprechende Inferenzmethodik basierend auf MCMC-Verfahren zu entwickeln, für eine möglichst große und flexible Klasse von Regressionsmodellen nutzbar zu machen und mit Kooperationspartnern aus den Bereichen Biostatistik und Lebenswissenschaften anzuwenden.
Generelles Ziel dieses Projekts ist die Modellierung und Analyse komplexer biologischer und biomedizinischer Systeme mit Methoden aus Bioinformatik, Mathematik, Physik und Statistik in Kooperation mit Partnern aus Biologie und Medizin. Der Schwerpunkt liegt auf den zukunftsweisenden Gebieten der Postgenomik einschließlich Systembiologie und deren Anwendungen in Medizin und Pharmazie, geht aber über diesen Bereich hinaus bis hin zur Populationsbiologie. Das Projekt ist in drei integrierte Cluster gegliedert:
Cluster A: Quantitative Biologie und Biostatistik
Cluster B: Komplexe Systeme in der Molekularmedizin
Cluster C: Struktur und Dynamik funktionaler Module in Modellorganismen
Unter Berücksichtigung ökonomischer Aspekte sollen neben Ursachen und Zusammenhängen zwischen Gesundheit und Krankheit auch Strukturen, Funktionen und Prozesse der Versorgung untersucht werden. Methodisch steht die interdisziplinäre, quantitative empirische Forschung im Vordergrund.
Die Forschungsfragen sind in drei vernetzten Teilprojekten organisiert:
Teilprojekt 1: Genetische, lebensstilabhängige und soziale Determinanten der Gesundheit
Teilprojekt 2: Evidenzbasierte Prävention und Modellierung von chronischen Erkrankungen
Teilprojekt 3: Ökonomie und Management im Gesundheitssystem
Analysen und Prognosen von Geo- und Umweltrisiken sind offensichtlich von hoher und weiter stark zunehmender Bedeutung. Dies gilt für lokale, klein-räumig auftretende Risiken bis hin zu weltweiten Risiken. In diesem Projekt werden substanzwissenschaftliche Problemstellungen hoher Relevanz mit modernen Konzepten und Ansätzen der statistischen Modellierungen und Analysen in Kooperation mit dem Department für Geo- und Umweltwissenschaften zusammengeführt.
Das Projekt ist Teil des LMUexcellent Projektes CEQURA (Leitung: Stefan Mittnik).
DAAD-Projekt "Shrinkage Estimation for Categorical Regression Models"
Der SFB 386 wurde 1995 an der Ludwig-Maximilians-Universität München mit dem Ziel eingerichtet, fachspezifisch übergreifend statistische Methoden zu entwickeln und auf reale Probleme anzuwenden, wenn die latente oder beobachtete Struktur zumindest teilweise diskret ist. Der Lehrstuhl für Statistik war an folgenden Projekten beteiligt:
Teilprojekt A5: Räumliche Statistik
Teilprojekt B2: Dynamische Modelle zur Ereignisanalyse
Teilprojekt C1: Semi- und nonparametrische Ansätze
Die Förderdauer des SFB endete am 31. Dezember 2006.
