Συντάχθηκε 14-06-2019 07:48
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Κωνσταντίνου Πολιτώφ
με θέμα
Λειτουργική Σύζευξη Δεδομένων Μαγνητοεγκεφαλογραφήματος και Ηλεκτροεγκεφαλογραφήματος για την Μελέτη του Σωματοαισθητικού Δικτύου του Καρπού
Functional Connectivity in the Wrist Somatosensory Network: An EEG/MEG Study
Τετάρτη 19 Ιουνίου 2019, 11 π.μ.
Αίθουσα 2042, Κτίριο Επιστημών, Πολυτεχνειούπολη
Εξεταστική Επιτροπή
Καθηγητής Μιχάλης Ζερβάκης (επιβλέπων)
Καθηγητής Αθανάσιος Λιάβας
Καθηγητής Carsten Hermann Wolters (University of Münster, Institute for Biomagnetism and Biosignalanalysis IBB)
Περίληψη
Κίνητρο: Θα θέλαμε να καλύψουμε την έλλειψη ενός ολοκληρωμένου τρόπου για την περιγραφή των πρώιμων αλληλεπιδράσεων στο κύριο σωματοαισθητικό δίκτυο.
Στόχος: Η τρέχουσα μελέτη διερευνά το δίκτυο συνδεσιμότητας στον χρόνο του πρωτογενούς σωματοαισθητικού φλοιού μέσω μιας προσέγγισης διαχωρισμού των λειτουργικών πηγών και εντοπισμό αυτών για τους διαφορετικούς τρόπους μέτρησης.
Μέθοδοι: Τα σήματα του εγκεφάλου καταγράφονται με τις μη επεμβατικές μεθόδους ηλεκτρο- και μαγνητο- εγκεφαλογραφίας (EEG και MEG) για ένα υγιές άτομο, το οποίο υποβλήθηκε σε διέγερση του μέσου νεύρου στον δεξιό καρπό. Μετά την προεπεξεργασία, εφαρμόζουμε χρονική μέση ανάλυση (time-locked analysis -TLA) για τη μείωση της μη εγκεφαλικής δραστηριότητας τόσο στο EEG όσο και στο MEG. Μετά από την εκτίμηση των σωματοαισθητικών προκληθέντων δυναμικών (SEP) και των πεδίων (SEF), ο στόχος είναι η εξαγωγή των χρονικά λειτουργικών (ή λειτουργικών) στοιχείων. Ο διαχωρισμός των σωματοαισθητικών λειτουργικών στοιχείων γίνεται με έναν ημι-αυτοματοποιημένο (semi-blind) αλγόριθμο για διαχωρισμό λειτουργικών πηγών (functional source separation-FSS), ο οποίος χρησιμοποιεί εκ των προτέρων πληροφορία για κάθε λειτουργικό στοιχείο για την εξαγωγή των λειτουργικών πηγών (FSs) για κάθε τύπο. Για κάθε λειτουργική πηγή υπολογίζονται τα οπισθο-προβαλλόμενα (back-projected) SEP και SEF δεδομένα. Το συνδυασμένο σήμα EMEG για κάθε λειτουργική πηγή υπολογίζεται με τη χρήση αυτών των δεδομένων EEG και MEG. Στη συνέχεια, προχωράμε στον εντοπισμό των πηγών σε συγκεκριμένη θέση του μοντέλου του εγκεφάλου με τον αλγόριθμο sLORETA για κάθε για κάθε χρονικό σημείο και σαρώνοντας όλο το χρονικό διάστημα, μέχρι την απόκτηση των κυματομορφών των διπόλων. Ένα ρεαλιστικό μοντέλο κεφαλής παράγεται την μέθοδο πεπερασμένων στοιχείων FEM χρησιμοποιείται στον εντοπισμό των πηγών το οποίο περιλαμβάνεται από έξι τμήματα (τριχωτό μέρος του κεφαλιού, συμπαγές κρανίο, σπογγώδες κρανίο, εγκεφαλονωτιαίο υγρό (ΕΝΥ), γκρι και λευκή ουσία) και συμπεριλαμβάνει την ανισοτροπία της λευκής ύλης και του κρανίου. Τέλος, για κάθε τύπο δεδομένων παρουσιάζουμε τη λειτουργική συνδεσιμότητα που προκύπτει χρησιμοποιώντας τις κατωφλιομένες τιμές από το time-varying Generalized Orthogonalized Partial Directed Coherence (tv-GOPDC) των κυματομορφών διπόλων (sLORETA) για συγκεκριμένες χρονικές στιγμές.
Abstract
Motivation: We attempt to cover the lack of an integrated way to describe the early interactions within the primary somatosensory network. A combination of EEG and MEG (EMEG) has been shown to outperform single EEG or MEG in source analysis. EMEG may be a promising integrated way for the goal of the current study.
Objective: The current study investigates the time-variant connectivity network of the primary somatosensory cortex by means of a functional source separation approach and source analysis of different measurement modalities.
Methods: The brain signals are recorded by the non-invasive modalities of electro- and magneto- encephalography (EEG and MEG) on a healthy subject, who participated in an experiment for measuring somatosensory evoked responses by median nerve stimulations on the right wrist. After the prepossessing, time-locked analysis (TLA) is applied for the reduction of the non-cerebral activity in both, EEG and MEG. After the estimation of the somatosensory evoked potentials (SEP) and fields (SEF), the goal was the extraction of the time-functional (or functional) components. The separation of the somatosensory functional components is accomplished by a semi-blind algorithm, the functional source separation (FSS), which uses a priori information of each functional component to extract the functional sources (FSs) for each modality. The back-projected SEP and SEF responses are calculated for each functional source. The EMEG measurement modality is estimated by these EEG and MEG back-projected data of the same components. Then, for every back-projected data of each modality (EEG, MEG or EMEG) and for each of their time points we find a solution to source localization by using the sLORETA algorithm and we obtain the source waveforms. The used individual and realistic head model includes six tissue compartments (scalp, skull compacta, skull spongiosa, cerebrospinal fluid, gray and white matter), brain anisotropy and calibrated skull conductivities. The source waveforms all of the modalities were set the base for the estimation of the effective and time-varying primary somatosensory connectivity network using time-varying Generalized Orthogonalized Partial Directed Coherence (tv-GOPDC).
Τόπος: Λ - Κτίριο Επιστημών/ΗΜΜΥ, 2042, Πολυτεχνειούπολη
Έναρξη: 19/06/2019 11:00
Λήξη: 19/06/2019 12:00
