Comprehending the interplay between spatial and temporal characteristics of neural dynamics can improve our understanding of information processing in the human brain. Graph neural networks provide a novel possibility to interpret graph-structured signals as typically observed in complex brain networks. This thesis presents an application of spatio-temporal graph neural networks to model functional dynamics observed in magnetic resoance imaging data. It is shown that graph neural network models are able to scale to large brain networks, and can help us to derive directed functional dependecies based on the structural brain network.

Den Zusammenhang zu verstehen zwischen den räumlichen und zeitlichen Charakteristiken neuronaler Dynamiken kann unser Verständnis über die Informationsverarbeitung im menschlichen Gehirn verbessern. Graphische neuronale Netze bieten eine neue Möglichkeit Signale mit graphischer Struktur zu analysieren, wie sie typischerweise in komplexen Netzwerken im Gehirn auftreten. Die vorliegende Arbeit diskutiert eine Anwendungen von räumlich-zeitlichen graphischen neuronalen Netzen für die Modellierung von funktionellen Dynamiken, wie sie in der Magnetresonanztomographie zu beobachten sind. Dabei wird gezeigt, dass graphische neuronale Netze in der Lage sind auf große Gehirn-Netzwerke zu skalieren, und uns dabei helfen können, gerichtete funktionelle Abhängigkeiten basierend auf dem strukturellen Netzwerk im Gehirn zu modellieren.