{"id":34194,"date":"2026-07-17T06:22:31","date_gmt":"2026-07-17T04:22:31","guid":{"rendered":"https:\/\/sfb1436.de\/projekte\/archiv-sfb-1436-1-2021-2024\/dynamische-modellierung-einer-trainings-bedingten-und-leistungsoptimierenden-mobilisierung-neuraler-ressourcen\/"},"modified":"2026-08-13T05:45:54","modified_gmt":"2026-08-13T03:45:54","slug":"c01-dynamische-modellierung-einer-trainings-bedingten-und-leistungsoptimierenden-mobilisierung-neuraler-ressourcen","status":"publish","type":"page","link":"https:\/\/sfb1436.de\/de\/projekte\/archiv-sfb-1436-1-2021-2024\/c01-dynamische-modellierung-einer-trainings-bedingten-und-leistungsoptimierenden-mobilisierung-neuraler-ressourcen\/","title":{"rendered":"Dynamische Modellierung einer trainings-bedingten und leistungsoptimierenden Mobilisierung neuraler Ressourcen"},"content":{"rendered":"\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

C01<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t\t
\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"Grafische\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Verbesserungen der Kognition w\u00e4hrend des Alterns erfordern die Mobilisierung neuraler Ressourcen durch effektive Trainingsinterventionen. Wir gehen davon aus, dass die Mobilisierung neuraler Ressourcen optimiert werden kann, indem die Aufgabenanforderungen der aktuellen Leistungsf\u00e4higkeit angepasst wird. Wir bezeichnen die L\u00fccke zwischen Aufgabenanforderung und Leistungsf\u00e4higkeit (funktionale Aufgabenschwierigkeit) als Ability Prediction Error (APE). Mithilfe von Computermodellierung und longitudinaler quantitativer MRT (qMRI ) wollen wir untersuchen, wie das Training mit experimentell manipulierten APEs (Unterlast, optimale Belastung, \u00dcberlastung) sensomotorische Leistungsverbesserungen, Transferleistungen auf Kognitionen sowie die Mobilisierung neuraler Ressourcen auf makro- und mikrostruktureller Ebene des Gehirns optimal f\u00f6rdern kann.<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\n \n \t \n
\n\n \n Unsere Forschung<\/span>\n\n <\/div>\n\t <\/a>\n <\/div>\n \t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\n \n \t \n
\n\n \n Ziele unseres Projektes<\/span>\n\n <\/div>\n\t <\/a>\n <\/div>\n \t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\n \n \t \n
\n\n \n Blick in die Zukunft<\/span>\n\n <\/div>\n\t <\/a>\n <\/div>\n \t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\n \n \t \n
\n\n \n Publikationen<\/span>\n\n <\/div>\n\t <\/a>\n <\/div>\n \t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Gruppenleitung & Gruppenmitglieder<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\"Marco<\/figure>

Prof. Dr. Eike Budinger<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"Dr.<\/figure>

Dr. Gabriel Ziegler<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"SFB<\/figure>

Norman Aye<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"SFB<\/figure>

Dr. Nico Lehmann<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"SFB<\/figure>

Martin Matke<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\"SFB<\/figure>

Nisha Prabhu<\/p><\/div><\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t\t\t\t
\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Expansions \u2013 Renormierungsmodell der Plastizit\u00e4t<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Nach dem Expansions-Renormalisierungs-Modell folgen lerninduzierte strukturelle Hirnver\u00e4nderungen h\u00e4ufig einer Abfolge von Expansion, Selektion und Renormalisierung. Das menschliche Lernen kann eine anf\u00e4ngliche, aber vor\u00fcbergehende Phase der Zunahme des Volumens der grauen Substanz beinhalten, gefolgt von einer teilweisen oder sogar vollst\u00e4ndigen R\u00fcckkehr zum Eingangsvolumen, sobald ein verhaltensoptimaler neuronaler Schaltkreis selektiert wurde (Wenger et al., 2017). Das Expansions-Renormalisierungsmodell geht davon aus, dass Transfereffekte des Trainings auf andere verwandte Aufgaben am wahrscheinlichsten bei oder kurz vor Erreichen des H\u00f6hepunkts der Volumenexpansion sind, was zu einer genaueren Untersuchung der zeitlichen Eigenschaften der Plastizit\u00e4t und ihrer Beziehung zu CRC-definierten neuronalen Ressourceneigenschaften anregt. Abh\u00e4ngig von der jeweiligen Phase der Plastizit\u00e4t (d.h. Expansion der grauen Substanz, Renormalisierung der grauen Substanz), kann der aktivierte neuronale Schaltkreis mehr oder weniger anf\u00e4llig f\u00fcr positive oder negative Transfereffekte auf \u00e4hnliche Lernaufgaben sein (Richards & Frankland , 2017).<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t\t\t\t
\n\t\t
\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

\u00dcbereinstimmung von Aufgaben-anforderungen und F\u00e4higkeiten<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Es wurde die Hypothese aufgestellt, dass die Trainingsintensit\u00e4t, definiert als die Diskrepanz (oder L\u00fccke) zwischen der aktuellen Leistungsf\u00e4higkeit einer Person und der gestellten Aufgabenanforderung (L\u00f6vd\u00e9n et al., 2010; Lindenberger , 2016), die Gehirnplastizit\u00e4t und die damit verbundenen Verhaltensverbesserungen beeinflusst (spezifische aufgabenbezogene Leistungssteigerungen und deren potenzieller Transfer). Es wird daher erwartet, dass sich die Aufgabenanforderungen im Bereich der funktionellen Kapazit\u00e4t (Unterlast < Optimum > \u00dcberlastung) befinden m\u00fcssen, um die Plastizit\u00e4t optimal anzuregen (L\u00f6vd\u00e9n et al., 2010). Modellbasierte Vorhersagefehler werden zunehmend in Computational Neuroscience, Reinforcement Learning und der Modellierung von Trial-by-Trial-Entscheidungsprozessen verwendet (Dayan, 2005). In diesem Projekt wollen wir die obige Hypothese testen, indem wir Ability Prediction Errors (APEs) experimentell manipulieren, d.h. die quantitative Diskrepanz zwischen den erforderlichen Aufgabenanforderungen und der aktuellen F\u00e4higkeit (Sch\u00e4tzung) des Probanden im Lernprozess zweckm\u00e4\u00dfig ver\u00e4ndern. APEs werden eine zentrale Rolle bei unserer Entwicklung eines Computermodells zur Mobilisierung neuraler Ressourcen spielen. Das Computermodell soll dann multimodale strukturelle MRT-Muster trainingsinduzierter Plastizit\u00e4t in einem frontalen Kortexnetzwerk vorhersagen.<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Quantitative MRT<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Quantitative Magnetresonanztomographie (qMRT) ist ein vielversprechendes Werkzeug zur Untersuchung trainingsinduzierter Plastizit\u00e4t beim Menschen aufgrund ihrer Empfindlichkeit gegen\u00fcber (oft als \u201emikrostrukturell\u201c bezeichneten) Hirngewebeeigenschaften wie Axonen, Myelin und Eisen (Weiskopf et al., 2015, Tardif et al., 2016, Tabelow et al., 2019, Ziegler et al., 2018, 2019). \u201eMikrostrukturell\u201c bezieht sich in dieser speziellen Forschungsrichtung auf quantitative Aspekte des Hirngewebes (z. B. Myelingehalt pro Volumen) und ist unabh\u00e4ngig von der tats\u00e4chlichen Bildaufl\u00f6sung, mit der es r\u00e4umlich abgebildet wird (z. B. hier Meso- oder Makroskala). Die qMRT geht \u00fcber die traditionelle Hirnmorphometrie hinaus, die Volumenunterschiede oder Gewebeausdehnung charakterisiert, was traditionell als \u201emakrostrukturell\u201c bezeichnet wird. Longitudinale qMRT -Trainingsstudien, die darauf abzielen, mikrostrukturelle Beitr\u00e4ge zu makrostrukturellen Expansions- und Renormalisierungszyklen zu analysieren, fehlen noch.<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t\t\t\t
\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Ziele des Projekts<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Dieses Projekt entwickelt ein computergest\u00fctztes Gehirn-Verhaltensmodell f\u00fcr die Reorganisation frontaler neurokognitiver Schaltkreise. Das Modell betrachtet die Gehirnver\u00e4nderungen als zweckm\u00e4\u00dfige Methoden, um den Anforderungen einer neuartigen Aufgabe bestm\u00f6glichst gerecht zu werden. Wir betrachten dabei den Verlauf von Gehirnver\u00e4nderungen w\u00e4hrend des Trainings und schlie\u00dfen Makro- und multiple (Mikro-) strukturelle Bildgebungsmodalit\u00e4ten (MT, R2* & DTI\/NODDI) in die Betrachtung ein. Wir untersuchen die Lernverl\u00e4ufe einer CRC-Kohorte (Z03-D\u00fczel\/ Maass \/ Krei\u00dfl) von 60 \u00e4lteren Teilnehmern mit dynamischer Systemmodellierung und hierarchischer Bayes\u2019scher Inferenz. Wir nehmen an, dass experimentell manipulierte APEs spezifische Anpassungen des Gehirns und des Verhaltens vorhersagen. Die dynamischen Modellparameter repr\u00e4sentieren (1) die \u201eAktualisierungsregeln\u201c (oder Dynamik) der w\u00f6chentlichen individuellen Leistung und die (2) \u201emikrostrukturellen kortikalen Aktualisierungen\u201c, die diesen Leistungsverbesserungen w\u00e4hrend des Lernens zugrunde liegen. Jeder Teilnehmer, der die sensomotorische Fertigkeit erwirbt, hat einen anf\u00e4nglichen nerval-verhaltensrelevanten Zustand (eine bestimmte rohe F\u00e4higkeit\/Ressource), passt sich gem\u00e4\u00df Mechanismen \u00fcber manipulierte APEs an und endet in einem Endzustand, der individuelle Einschr\u00e4nkungen der Plastizit\u00e4t widerspiegelt. Schlie\u00dflich untersuchen wir die individuellen Unterschiede und den Beitrag versteckter pathologischer Zust\u00e4nde (wie Amyloid) zu trainingsinduzierten Gehirn- und Leistungsver\u00e4nderungen.<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t\t\t\t
\n\t\t
\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Pilotstudie zur Bildgebung<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

In einer Pilotstudie zur Test-Retest-Zuverl\u00e4ssigkeit bewerteten wir Multiparameter-Karten (MPM) f\u00fcr qMRT sowie Diffusions-Tensor-Bildgebung (DTI) inkl. Neurite-Orientation and Dispersion Bildgebung (NODDI) in N = 30 Probanden an zwei Messzeitpunkten im Abstand von einem Monat. Insbesondere die voxelbasierte Zuverl\u00e4ssigkeit f\u00fcr fortgeschrittene Bildgebungsmarker (MPMs und NODDI-Parameter) war vielversprechend (Lehmann et al., 2021, Aye et al., in \u00dcberpr\u00fcfung) und unterst\u00fctzt die Anwendung dieses Bildgebungsprotokolls zur Kartierung von Ver\u00e4nderungen des Frontallappens w\u00e4hrend des Trainings.<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Verhaltenssteuerung<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Unser Ziel ist es, das bisherige Paradigma des Gleichgewichtstrainings (Sehm et al., 2014) zu erweitern und ein F\u00e4higkeitstestprotokoll f\u00fcr die APE-Manipulation w\u00e4hrend des Trainings zu entwickeln. Zun\u00e4chst schaffen wir die Voraussetzungen f\u00fcr eine feink\u00f6rnige Bewertung der aktuellen F\u00e4higkeiten des Probanden w\u00e4hrend jeder \u00dcbungseinheit. Die Aufgabenschwierigkeit wird dann \u00fcber zus\u00e4tzliche mechanische Belastungen w\u00e4hrend des Trainings adaptiv reguliert, um die funktionelle Aufgabenschwierigkeit entsprechend der aktuellen Gleichgewichtsleistung jedes Teilnehmers zu manipulieren. Unter Verwendung dieses Stabilometer-Paradigmas werden wir die Aufgabenschwierigkeit \u00fcber sechs Trainingseinheiten hinweg manipulieren (Studie 1: N = 30 \u00e4ltere Teilnehmer zwischen 60 und 75 Jahren). Wir bewerten motorische Aufgabenverbesserungen und die Transferleistungen mithilfe motorischer und neuropsychologischen Tests.<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t\t\t\t
\n\t\t
\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

L\u00e4ngsschnitt-Neuroimaging-Studie<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Wir werden eine Interventionsstudie (Studie 2) mit 60 gesunden \u00e4lteren Teilnehmern (60-75 Jahre) aus der zentralen Kohorte des CRC (Z03) durchf\u00fchren. Die Teilnehmer werden w\u00e4hrend des Trainings zuf\u00e4llig in experimentelle Hauptgruppen mit optimierten vs. suboptimalen APEs eingeteilt. J\u00fcngste Entwicklungen der MRT-Technologie erm\u00f6glichen es uns, \u00fcber morphometrische Beurteilungen hinauszugehen, um Multi-Parameter-Mapping (MPM) der Mikrostruktur (MT, R1, R2*, PD) zu realisieren und die St\u00e4rke der qMRT mit fortschrittlicher Diffusions-MRT (NODDI) zu kombinieren. Wir sind in einem internationalen Team an der Softwareentwicklung modernster Verarbeitungsroutinen f\u00fcr quantitative Bildgebungsdaten beteiligt (www.hmri.info; siehe Tabelow et al., 2019). Basierend auf 6 w\u00f6chentlichen Beobachtungen werden wir die Mobilisierung neuraler Ressourcen in einem frontalen Gehirnnetzwerk testen, das aus prim\u00e4rem motorischem Kortex (Taubert et al., 2016), Pr\u00e4-SMA\/SMA, dorsolateralem pr\u00e4frontalem Kortex, anteriorem pr\u00e4frontalem Kortex und Hippocampus sowie angrenzende Nervenfaserbahnen besteht (Taubert et al., 2010, 2011; Sehm et al., 2014; Lehmann et al., 2019).<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Computermodell der Plastizit\u00e4t<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Wir werden fr\u00fchere Arbeiten zur dynamischen Modellierung (Ziegler et al. 2017, Johnson\/Ziegler et al .. 2021) erweitern, um ein quantitatives Modell der makro- und mikrostrukturellen Gehirnplastizit\u00e4t zu erstellen, die durch das Erlernen der neuen sensomotorischen (Gleichgewichts-)Aufgabe induziert wird. Wir werden uns auf einen hypothetischen neurokognitiven Schaltkreis (interessierende Regionen) konzentrieren, einschlie\u00dflich der Bereiche des motorischen, pr\u00e4motorischen und vorderen pr\u00e4frontalen Kortex. Ein dynamisches System mit (makro- und mikrostrukturellen Zust\u00e4nden) erfasst multipametrische MRT-Messungen und relevante Parameter werden auf Einzelsubjekt- und Gruppenebene unter Verwendung von Bayes\u2019scher Inferenz gesch\u00e4tzt. Ein evidenzbasierter Modellvergleich wird durchgef\u00fchrt, um das dynamische Modell mit traditionelleren Polynommodellen zu vergleichen. Die trainingsinduzierten nichtlinearen Gehirnver\u00e4nderungen und modal\u00fcbergreifenden Wechselwirkungen verschiedener Prozesse werden durch Modellparameter erfasst, wodurch wir erstmals das Zusammenspiel von Myelinisierung\/Eisenver\u00e4nderungen und Volumenexpansion-Renormalisierung w\u00e4hrend des Trainings untersuchen k\u00f6nnen.<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\"Grafik\t\t\t\t\t\t\t\t\t\t\t
Copyright: Marco Taubert<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Langfristige Perspektive<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Langfristig zielt das Projekt darauf ab, (1) eine Trainingsinterventionsstrategie zu entwickeln, welche die Mobilisierung neuronaler Ressourcen in einem optimalen Kosten-Nutzen-Verh\u00e4ltnis anregt (Kosten = Trainingszeit; Nutzen = mobilisierte neuronale Ressourcen der Kognition). Dar\u00fcber hinaus entwickelt das Projekt (2) ein verbessertes Verst\u00e4ndnis der zentralen Determinanten, die der strukturellen Plastizit\u00e4t des Gehirns zugrunde liegen (und die mit modernster Bildgebung untersucht werden k\u00f6nnen). Unsere Forschungsagenda konzentriert sich auf die \u00dcberwindung der deskriptiven Natur der bisherigen Forschung zur trainingsinduzierten Plastizit\u00e4t. Im Gegensatz zu fr\u00fcheren Arbeiten, bei denen Gehirnver\u00e4nderungen induziert und \u201enur\u201c beobachtet wurden, werden wir der Vision folgen, eine neue Generation von generativen Modellen zu entwickeln, die eine quantitative Darstellung der hypothetischen Treiber neuronaler Ver\u00e4nderungen auf verschiedenen Ebenen beinhalten (resultierend aus einem Anforderungs-F\u00e4higkeits-Missverh\u00e4ltnis w\u00e4hrend einer Interaktion mit der Umgebung).<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Publikationen des Projektes C01<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t