Συντάχθηκε 04-09-2015 13:29
από Esthir Gelasaki
Email συντάκτη: egelasaki<στο>tuc.gr
Ενημερώθηκε:
-
Ιδιότητα: υπάλληλος.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Μεταπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ
ΜΑΡΙΟΥ ΑΝΤΩΝΑΚΑΚΗ
με θέμα
Μέθοδοι Μη Γραμμικού Συγχρονισμού σε Μάγνητοεγκεφαλογράφημα (ΜΕΓ)
Non-linear Synchronization Methods on Magnetoencephalographic (MEG) Recordings
Δευτέρα 7 Σεπτεμβρίου 2015, 3μμ
Αίθουσα Συνεδριάσεων, Κτίριο Επιστημών, Πολυτεχνειούπολη
Εξεταστική Επιτροπή
Καθηγητής Μιχάλης Ζερβάκης (επιβλέπων)
Αναπληρωτής Καθηγητής Κατερίνα Μανιά
Αναπληρωτής Καθηγητής Μιχαήλ Λαγουδάκης
Abstract
Cross-frequency coupling (CFC) is thought to represent a basic mechanism of functional integration of neural networks across distant brain regions. Furthermore, several neuroimaging studies have suggested that functional brain connectivity networks exhibit “small-world” characteristics, whereas recent studies based on structural data have proposed a “rich-club” organization of brain networks, whereby hubs of high connection density tend to connect among themselves compared to nodes of lower density. In this study, CFC profiles are analyzed from resting state Magnetoencephalographic (MEG) recordings obtained from 30 mild traumatic brain injury (mTBI) patients and 50 normal controls. The non-linear synchronization metric, mutual information (MI) is used to quantify the phase-to-amplitude coupling (PAC) of activity among the recording sensors in six nonoverlapping frequency bands. After forming the CFC-based functional connectivity graphs (FCGs), a tensor representation and tensor subspace analysis is employed to identify the optimal set of features for subject classification as mTBI or control. Keeping FCGs from the optimal set of features, an “attack strategy” to is developed to compare the rich-club and small-world organizations and identify the model that describes best the topology of brain connectivity. Results show that the normal controls form a dense network of stronger local and global connections, indicating higher functional integration compared to mTBI patients. Furthermore, mTBI patients could be separated from normal controls with more than 90% classification accuracy. Finally, the results suggest that resting state MEG connectivity networks follow a rich-club organization. These findings indicate that the analysis of brain networks computed from resting-state MEG with PAC and tensorial representation of connectivity profiles may provide a valuable biomarker for the diagnosis of mTBI.
Περίληψη
Η σύζευξη συχνότητων (Cross-Frequency Coupling - CFC) θεωρείται ότι αντιπροσωπεύσει έναν βασικό μηχανισμό της λειτουργικής ολοκλήρωσης των νευρικών δικτύων στις απόμακρες περιοχές εγκεφάλου. Επιπρόσθετα, πολλές μελέτες νευροαπεικόνισης έχουν προτείνει ότι τα εγκεφαλικά δίκτυα λειτουργικής συνδεσιμότητας επιδεικνύουν χαρακτηριστικά εγκεφαλικών δικτύων γνωστά ως “small-world”, ενώ πρόσφατες μελέτες βασιζόμενες σε διαρθρωτικά δεδομένα έχουν προτείνει μια οργάνωση εγκεφαλικών δικτύων γνωστή ως “rich-club”, σύμφωνα με την οποία κόμβοι υψηλής πυκνότητας συνδέσεων τείνουν να συνδέονται μεταξύ τους συγκριτικά με κόμβους χαμηλής πυκνότητας συνδέσεων. Στην παρούσα εργασία, αναλύθηκαν πρότυπα τύπου CFC βασιζόμενοι σε καταγραφές κατάστασης ηρεμίας Μαγνήτοεγκεφαλογραφήματος (Magneto-encephalographic -MEG) που λήφθηκαν από τριάντα ασθενείς με ήπιες κρανιοεγκεφαλικές κακώσεις (mild traumatic brain injury -mTBI) και πενήντα άτομα χωρίς κανένα πρόβλημα (control). Μέσω του μη-γραμμικού μέτρου αλληλεξαρτώμενου συγχρονισμού, αμοιβαία πληροφορία (Mutual Information), έγινε ο υπολογισμός της σύζευξη φάση-πλάτους (phase-amplitude couple – PAC) της δραστηριότητας μεταξύ των αισθητήρων καταγραφής σε έξι μη-επικαλυπτόμενες ζώνες συχνότητας. Μετά την διαμόρφωση των CFC-βασισμένων λειτουργικών γράφων συνδεσιμότητας (functional connectivity graphs -FCGs), υιοθετήθηκε μια τανυστική αντιπροσώπευση και ένα τανυστικό υποχώρο για να προσδιορίσουμε το βέλτιστο σύνολο χαρακτηριστικών γνωρισμάτων για την υπαγόμενη ταξινόμηση ως mTBI ή control. Διατηρώντας μόνο γράφους από βέλτιστο σύνολο χαρακτηριστικών γνωρισμάτων, αναπτύχθηκε μια «στρατηγική επίθεσης» ώστε να συγκρίνουμε τις εγκεφαλικές οργανώσεις δικτύων, “rich-club”και “small-world”, καθώς επίσης και να προσδιοριστεί εκείνο το μοντέλο που περιγράφει καλύτερα την τοπολογία της εγκεφαλικής συνδεσιμότητας. Τα αποτελέσματά μας δείχνουν ότι το σύνολο των κανονικών ατόμων διαμορφώνει ένα πυκνό δίκτυο των ισχυρότερων τοπικών και σφαιρικών συνδέσεων, δείχνοντας υψηλότερη λειτουργική ολοκλήρωση έναντι των ασθενών mTBI. Επιπλέον, οι mTBI ασθενείς μπορούν να χωριστούν από τους κανονικούς ελέγχους με την ακρίβεια ταξινόμησης περισσότερο από 90%. Τέλος, τα αποτελέσματα της παρούσας εργασίας προτείνουν ότι τα δίκτυα συνδεσιμότητας MEG δεδομένων κατάστασης ηρεμίας ακολουθούν οργάνωση “rich-club”. Αυτά τα συμπεράσματα δείχνουν ότι η ανάλυση των δικτύων εγκεφάλου που υπολογίζονται σε καταγραφές κατάστασης ηρεμίας MEG με PAC και την τανυστική αντιπροσώπευση των μοτίβων συνδεσιμότητας μπορεί να παρέχει ένα πολύτιμο δείκτη διάγνωσης (biomarker) του mTBI.
