Συντάχθηκε 27-06-2012 12:00
από Galateia Malandraki
Email συντάκτη: gmalandraki<στο>tuc.gr
Ενημερώθηκε:
-
Ιδιότητα: υπάλληλος ΑΡΜΗΧ.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Τμήμα Ηλεκτρονικών Μηχανικών & Μηχανικών Υπολογιστών
ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ
ΜΙΧΑΛΟΠΟΥΛΟΣ ΚΩΝΣΤΑΝΤΙΝΟΣ
με θέμα
“Ευστάθεια και ανάλυση ανεξάρτητων συνιστωσών του Ηλεκτροεγκεφαλογραφήματος”
“STABILITY AND ANALYSIS OF INDEPENDENT COMPONENTS OF EEG”
Πέμπτη 28 Ιουνίου, 12μμ
145.Π42, Κτίριο Επιστημών, Πολυτεχνειούπολη
Εξεταστική Επιτροπή
Καθ. Μιχάλης Ζερβάκης (επιβλέπων)
Καθ. Αθανάσιος Λιάβας
Καθ. Αλέξανδρος Ποταμιάνος
Περίληψη
Τα τελευταία χρόνια η ανάλυση του Ηλεκτροεγκεφαλογραφήματος(ΗΕΓ) κερδίζει της προσοχής σαν μία φτηνή μέθοδος που μπορεί να μας δώσει πληροφορίες για τις περίπλοκες εγκεφαλικές διεργασίες και να μας βοηθήσει να κατανοήσουμε τον τρόπο λειτουργίας του εγκεφάλου. Παράλληλα χρησιμεύει στην μελέτη και ταυτοποίηση διαφόρων παθολογιών του εγκεφάλου, όπως η επιληψία και η νόσος Alzheimer.
Σε αυτή την εργασία επικεντρωνόμαστε στη μελέτη ενός ειδικού τύπου καταγραφής του ΗΕΓ που ονομάζεται Προκλητό Δυναμικό. Τα προκλητά δυναμικά αποτελούν την καταγραφή του ΗΕΓ κατά την διάρκεια επαναλαμβανόμενων δοκιμών μίας συγκεκριμένης εργασίας απο τον εξεταζόμενο. Πρόσφατες μελέτες έδειξαν ότι τα Προκλητά Δυναμικά εμπεριέχουν μία ποικιλία απο δραστηριοποιήσεις του εγκεφάλου που ποικίλλουν, όπως συγχρονισμός της φάσης ή της ενέργειας του σήματος. Παρουσιάζουμε μεθόδους και μέτρα με τα οποία μπορούμε να διαχωρίσουμε και να αναγνωρίσουμε τους διαφορετικούς τύπους ενεργοποίησης που λαμβάνουν χώρα κατά την διάρκεια του πειράματος.
Η ανάλυση ανεξάρτητων συνιστωσών (ICA) είναι μία ιδιαίτερα δημοφιλής μέθοδος για την ανάλυση του ΗΕΓ. Έχει με επιτυχία εφαρμοστεί σε προκλητά δυναμικά αναλύοντας το σήμα σε χωρικά σταθερές και χρονικά ανεξάρτητες συνιστώσες με διαφορετικές κατανομές στα ηλεκτρόδια, που μπορούν να αποδοθούν σε συγκεκριμένες εγκεφαλικές δραστηριότητες. Ένα σοβαρό πρόβλημα στην εφαρμογή του ICA είναι ότι η ευστάθεια του αποτελέσματος δεν είναι εγγυημένη. Εφόσον η διαδικασία ICA είναι στοχαστική τα αποτελέσματα μπορεί να είναι σχετικά διαφορετικά σε επαναλαμβανόμενες εκτελέσεις του αλγορίθμου στα ίδια δεδομένα λόγω διαφορετικών αρχικών συνθηκών. Άλλοι λόγοι είναι το γεγονός πως τα δεδομένα ΗΕΓ δεν ακολουθούν πιστά το μοντέλο ICA και πολλές φορές το πλήθος των δειγμάτων δεν είναι αρκετό ώστε ο αλγόριθμος να συγκλίνει σε μία σταθερή λύση. Παρουσιάζουμε αποτελέσματα σε προσομοιωμένα δεδομένα και πραγματικά δεδομένα ΗΕΓ που δείχνουν την επίδραση του μεγέθους του δείγματος και των αρχικών συνθηκών στο παραγόμενο αποτέλεσμα. Τέλος εφαρμόζουμε μία μεθοδολογία για την εκτίμηση της ευστάθειας των συνιστωσών πρίν τις χρησιμοποιήσουμε στην ανάλυση και προτείνουμε μία συνολική μεθοδολογία που παίρνει υπόψη της την ευστάθεια τους.
Εφαρμόζουμε την μεθοδολογία σε δύο ομάδες δεδομένων που αποτελούνται απο καταγραφές ασθενών με παθολογίες σχετιζόμενες με την γήρανση. Η πρώτη ομάδα αποτελείτε απο καταγραφές υγιών ατόμων και ατόμων που πάσχουν απο τη νόσο Alzheimer ενώ εκτελούν ένα ακουστικό πείραμα. Η δεύτερη ομάδα αποτελείτε απο υγιείς και άτομα που έχουν διαγνωστεί με προχωρημένη άνοια ενώ εκτελούν ένα οπτικό πείραμα μνήμης. Τα αποτελέσματα δείχνουν ότι η προτεινόμενη μέθοδος ανάλυσης είναι ικανή να αποδώσει της συγχρονισμένες ενεργοποιήσεις κατά τη διάρκεια του πειράματος. Με αυτό τον τρόπο μπορέσαμε να εκτιμήσουμε και να ποσοτικοποιήσουμε διαφορές ανάμεσα στις ενεργοποιήσεις των παθολογιών.
Abstract
Over the past years EEG analysis has gained focus as a low cost method to obtain insight in the complex brain processes and help us better understand the way brain works. In parallel it has been used in order to study and identify different brain pathologies, especially Alzheimer and epilepsy.
In this work we are focusing in the analysis of a specific type of EEG recordings, Event Related Potentials (ERPs). Event related potentials are essentially an EEG recording which contains different executions of the same experiment. Recent studies revealed a variety of activations and oscillations, from phase resetting of ongoing EEG activity in the different bands to phase-locked evoked and non-phase-locked induced oscillations. In this work we present methods and measures that can distinguish different patterns of activations and characterize the activity that takes place during the experiment.
Independent component analysis (ICA) is a popular method in the field of EEG signal processing. Independent Component Analysis(ICA) has been successfully applied event related EEG to decompose it into a sum of spatially fixed and temporally independent components that can lead in different spatial distribution patterns, which in turn may be directly attributed to underlying cortical activity. A major problem in application of ICA is that the stability of the estimated independent components is not known. Since the ICA techniques are stochastic, their results may be somewhat different in different runs of the algorithm due to different initial conditions. Other reasons are that the data does not always follow the ICA model exactly and in many cases the small number of training samples available is not adequate for the algorithm to run. We presented results in simulated and real EEG data that demonstrate the effect of sample size and initial weights on the stability of ICA results. We explored a methodology to evaluate the stability of the independent components before used in analysis and developed an analysis framework that takes under consideration the stable components.
We applied the proposed technique in two datasets with subjects suffering from pathologies related to aging. The first dataset consisted from control and Alzheimer subjects performing an auditory oddball experiment. The second dataset consisted from control and progressive MCI subjects performing a visual memory test. The results of this study indicate that the proposed component analysis and framework is able to depict the synchronized activations during a certain mental task (like the working memory). As such, it can efficiently reveal and quantify group (as well as individualized) differences in pathology (AD/ MCI) populations.
Συνημμένα:
-
Anakoinwsi-Michalopoulos.docx
Μεταφορτώσεις: 261,
Μέγεθος: 31 KB application/octet-stream
