|
|
Vztah elektrofyziologické aktivity a dynamické funkční konektivity rozsáhlých mozkových sítí ve fMRI datech
Lamoš, Martin ; Hlinka, Jaroslav (oponent) ; Kremláček, Jan (oponent) ; Jan, Jiří (vedoucí práce)
Funkční mozková konektivita odráží určitý stav mozku. Vrůstající zájem o studium dynamiky funkční konektivity mezi jednotlivými rozsáhlými mozkovými sítěmi je doprovázen snahou nalézt její elektrofyziologické koreláty. Část takové neurální aktivity však může zůstat nerozpoznána, protože se během analýzy EEG dat velmi často používá různých omezení v prostorové a spektrální doméně. Zde představený přístup slepě odhaluje multimodální EEG spektrální vzorce, které se vztahují k dynamice BOLD funkční konektivity sítí. Slepá dekompozice EEG spektrogramu pomocí paralelní faktorové analýzy byla představena jako užitečný nástroj k odhalení vzorů neurální aktivity, kde každý vzor obsahuje tři signatury (prostorovou, časovou a spektrální). Na rozdíl od standardních přístupů, kdy dochází k průměrování signálů z jednotlivých elektrod, vybírají se pouze podskupiny elektrod, či se využívá standardních frekvenčních pásem, tato slepá dekompozice bere v potaz kompletní trilineární strukturu EEG dat. Simultánně měřená BOLD fMRI data jsou odděleně od EEG rozložena pomocí analýzy nezávislých komponent. Na časových průbězích komponent je odhadována dynamická funkční konektivita pomocí výpočtu korelačního koeficientu v plovoucím okně. Funkční konektivita síťových stavů je následně odvozena na základě hodnot těchto korelačních koeficientů. Použitím ANOVA testů jsou na závěr nalezeny tři EEG spektrální vzory vztahující se k dynamice funkční konektivity síťových stavů. Předchozí výzkum odhalil vztah mezi fluktuacemi EEG spektrálních vzorů a hemodynamikou rozsáhlých mozkových sítí. Tato práce ukazuje, že zmíněný vztah lze nalézt také na úrovni dynamiky funkční konektivity mezi jednotlivými rozsáhlými mozkovými sítěmi, kdy nejsou použita žádná standardní prostorová a spektrální omezení ve zpracování EEG dat.
|
|
|
Simultanneous EEG-FMRI Data Fusion with Generalized Spectral Patterns
Labounek, René ; Havlíček, Martin (oponent) ; Hlinka, Jaroslav (oponent) ; Jan, Jiří (vedoucí práce)
Lots of different data fusion strategies have been developed during last 15 years of simultaneous EEG-fMRI research. The current doctoral thesis summarizes the actual state of the art in EEG-fMRI data fusion research and puts a goal to improve task-related network visualizations blindly directly from the acquired data. Two different models which should improve it have been proposed within the thesis (i.e. generalized spectral heuristic model and generalized spatiospectral heuristic model). Generalized spectral heuristic model utilizes relative EEG power fluctuations in distinct frequency bands averaged over electrodes of interest and compares the fluctuations with delayed BOLD signal fluctuations via general liner model. The obtained results shows that the model visualizes several different frequency dependent task-related EEG-fMRI networks. The model overcomes the absolute power fluctuation approach and classic heuristic approach too. The absolute power visualized a task-not-related broadband EEG-fMRI component and classic heuristic model was insensitive to visualize the task-related visual network which was observed for the relative -band pattern for visual oddball task data. For the semantic decision task EEG-fMRI data, the frequency dependence was not so evident in final results. Since all the bands visualized only visual network and any areas of speech network, the results were possibly corrupted by not-suppressed eye-blinking artifact in EEG data. Mutual information coefficients between different EEG-fMRI statistical parametric maps showed that the similarities over different frequency bands are similar over different tasks (i.e. visual oddball and semantic decision). More, the coefficients proved that averaging over different electrodes of interest does not bring any new information into the joint analysis, i.e. the signal on one single lead is very smoothed signal from the whole scalp. For that reasons, better incorporation of the channel information into the EEG-fMRI analysis started to be necessary and we have proposed more general spatiospectral heuristic model and designed how to estimate the model with spatiospectral Group Independent Component Analysis of EEG spectra relative power. The obtained results show that spatiospectral heuristic model visualizes the statistically most significant task-related networks (compared to absolute power spatiospectral pattern results and generalized spectral heuristic model results). The spatiospectral heuristic model was the only one, which observed task-related activations in a speech areas for semantic decision data. Beyond the fusion of EEG spatiospectral patterns with fMRI data, we have tested the stability of the spatiospectral pattern estimates over different paradigms (i.e. visual oddball, semantic decision and resting-state) with k-means clustering algorithm. We have got 14 stable patterns for the absolute EEG power and 12 stable patterns for the relative EEG power. Although ten of the patterns appear similar over the power types, the relative power spatiospectral patterns (i.e. spatiospectral heuristic model patterns) have higher evidence to tasks.
|
|
|
Spatio-Spectral EEG Patterns in the Source-Reconstructed Space and Relation to Resting-State Networks: An EEG-fMRI Study
Jiříček, Stanislav ; Koudelka, V. ; Mantini, D. ; Mareček, R. ; Hlinka, Jaroslav
In this work, we present and evaluate a novel EEG-fMRI integration approach combining a spatio-spectral decomposition method and a reliable source localization technique. On the large 72 subjects resting- state hdEEG-fMRI data set we tested the stability of the proposed method in terms of both extracted spatio-spectral patterns(SSPs) as well as their correspondence to the BOLD signal. We also compared the proposed method with the spatio-spectral decomposition in the electrode space as well as well-known occipital alpha correlate in terms of the explained variance of BOLD signal. We showed that the proposed method is stable in terms of extracted patterns and where they correlate with the BOLD signal. Furthermore, we show that the proposed method explains a very similar level of the BOLD signal with the other methods and that the BOLD signal in areas of typical BOLD functional networks is explained significantly more than by a chance. Nevertheless, we didn’t observe a significant relation between our source-space SSPs and the BOLD ICs when spatio-temporally comparing them. Finally, we report several the most stable source space EEG-fMRI patterns together with their interpretation and comparison to the electrode space patterns.
|
|
|
Simultanneous EEG-FMRI Data Fusion with Generalized Spectral Patterns
Labounek, René ; Havlíček, Martin (oponent) ; Hlinka, Jaroslav (oponent) ; Jan, Jiří (vedoucí práce)
Lots of different data fusion strategies have been developed during last 15 years of simultaneous EEG-fMRI research. The current doctoral thesis summarizes the actual state of the art in EEG-fMRI data fusion research and puts a goal to improve task-related network visualizations blindly directly from the acquired data. Two different models which should improve it have been proposed within the thesis (i.e. generalized spectral heuristic model and generalized spatiospectral heuristic model). Generalized spectral heuristic model utilizes relative EEG power fluctuations in distinct frequency bands averaged over electrodes of interest and compares the fluctuations with delayed BOLD signal fluctuations via general liner model. The obtained results shows that the model visualizes several different frequency dependent task-related EEG-fMRI networks. The model overcomes the absolute power fluctuation approach and classic heuristic approach too. The absolute power visualized a task-not-related broadband EEG-fMRI component and classic heuristic model was insensitive to visualize the task-related visual network which was observed for the relative -band pattern for visual oddball task data. For the semantic decision task EEG-fMRI data, the frequency dependence was not so evident in final results. Since all the bands visualized only visual network and any areas of speech network, the results were possibly corrupted by not-suppressed eye-blinking artifact in EEG data. Mutual information coefficients between different EEG-fMRI statistical parametric maps showed that the similarities over different frequency bands are similar over different tasks (i.e. visual oddball and semantic decision). More, the coefficients proved that averaging over different electrodes of interest does not bring any new information into the joint analysis, i.e. the signal on one single lead is very smoothed signal from the whole scalp. For that reasons, better incorporation of the channel information into the EEG-fMRI analysis started to be necessary and we have proposed more general spatiospectral heuristic model and designed how to estimate the model with spatiospectral Group Independent Component Analysis of EEG spectra relative power. The obtained results show that spatiospectral heuristic model visualizes the statistically most significant task-related networks (compared to absolute power spatiospectral pattern results and generalized spectral heuristic model results). The spatiospectral heuristic model was the only one, which observed task-related activations in a speech areas for semantic decision data. Beyond the fusion of EEG spatiospectral patterns with fMRI data, we have tested the stability of the spatiospectral pattern estimates over different paradigms (i.e. visual oddball, semantic decision and resting-state) with k-means clustering algorithm. We have got 14 stable patterns for the absolute EEG power and 12 stable patterns for the relative EEG power. Although ten of the patterns appear similar over the power types, the relative power spatiospectral patterns (i.e. spatiospectral heuristic model patterns) have higher evidence to tasks.
|
|
|
Vztah elektrofyziologické aktivity a dynamické funkční konektivity rozsáhlých mozkových sítí ve fMRI datech
Lamoš, Martin ; Hlinka, Jaroslav (oponent) ; Kremláček, Jan (oponent) ; Jan, Jiří (vedoucí práce)
Funkční mozková konektivita odráží určitý stav mozku. Vrůstající zájem o studium dynamiky funkční konektivity mezi jednotlivými rozsáhlými mozkovými sítěmi je doprovázen snahou nalézt její elektrofyziologické koreláty. Část takové neurální aktivity však může zůstat nerozpoznána, protože se během analýzy EEG dat velmi často používá různých omezení v prostorové a spektrální doméně. Zde představený přístup slepě odhaluje multimodální EEG spektrální vzorce, které se vztahují k dynamice BOLD funkční konektivity sítí. Slepá dekompozice EEG spektrogramu pomocí paralelní faktorové analýzy byla představena jako užitečný nástroj k odhalení vzorů neurální aktivity, kde každý vzor obsahuje tři signatury (prostorovou, časovou a spektrální). Na rozdíl od standardních přístupů, kdy dochází k průměrování signálů z jednotlivých elektrod, vybírají se pouze podskupiny elektrod, či se využívá standardních frekvenčních pásem, tato slepá dekompozice bere v potaz kompletní trilineární strukturu EEG dat. Simultánně měřená BOLD fMRI data jsou odděleně od EEG rozložena pomocí analýzy nezávislých komponent. Na časových průbězích komponent je odhadována dynamická funkční konektivita pomocí výpočtu korelačního koeficientu v plovoucím okně. Funkční konektivita síťových stavů je následně odvozena na základě hodnot těchto korelačních koeficientů. Použitím ANOVA testů jsou na závěr nalezeny tři EEG spektrální vzory vztahující se k dynamice funkční konektivity síťových stavů. Předchozí výzkum odhalil vztah mezi fluktuacemi EEG spektrálních vzorů a hemodynamikou rozsáhlých mozkových sítí. Tato práce ukazuje, že zmíněný vztah lze nalézt také na úrovni dynamiky funkční konektivity mezi jednotlivými rozsáhlými mozkovými sítěmi, kdy nejsou použita žádná standardní prostorová a spektrální omezení ve zpracování EEG dat.
|
|
|
Robust Regularized Discriminant Analysis Based on Implicit Weighting
Kalina, Jan ; Hlinka, Jaroslav
In bioinformatics, regularized linear discriminant analysis is commonly used as a tool for supervised classification problems tailormade for high-dimensional data with the number of variables exceeding the number of observations. However, its various available versions are too vulnerable to the presence of outlying measurements in the data. In this paper, we exploit principles of robust statistics to propose new versions of regularized linear discriminant analysis suitable for highdimensional data contaminated by (more or less) severe outliers. The work exploits a regularized version of the minimum weighted covariance determinant estimator, which is one of highly robust estimators of multivariate location and scatter. The performance of the novel classification methods is illustrated on real data sets with a detailed analysis of data from brain activity research.
Plný tet: v1241-16 -  PDF
Plný text: content.csg - PDF
|
|
| |
|
| |
host ::
RSS.