|
|
Relationship between Electrophysiological Activity and Dynamic Functional Connectivity of Large-scale Brain Networks in fMRI Data
Lamoš, Martin ; Hlinka, Jaroslav (referee) ; Kremláček, Jan (referee) ; Jan, Jiří (advisor)
Functional brain connectivity is a marker of the brain state. Growing interest in the examination of large-scale brain network functional connectivity dynamics is accompanied by an effort to find the electrophysiological correlates. The commonly used constraints applied to spatial and spectral domains during EEG data analysis may leave part of the neural activity unrecognized. A proposed approach blindly reveals multimodal EEG spectral patterns that are related to the dynamics of the BOLD functional network connectivity. The blind decomposition of EEG spectrogram by Parallel Factor Analysis has been shown to be a useful technique for uncovering patterns of neural activity where each pattern contains three signatures (spatial, temporal, and spectral). The decomposition takes into account the trilinear structure of EEG data, as compared to the standard approaches of electrode averaging, electrode subset selection or using standard frequency bands. The simultaneously acquired BOLD fMRI data were decomposed by Independent Component Analysis. Dynamic functional connectivity was computed on the component’s time series using a sliding window correlation, and functional connectivity network states were then defined based on the values of the correlation coefficients. ANOVA tests were performed to assess the relationships between the dynamics of functional connectivity network states and the fluctuations of EEG spectral patterns. Three patterns related to the dynamics of functional connectivity network states were found. Previous findings revealed a relationship between EEG spectral pattern fluctuations and the hemodynamics of large-scale brain networks. This work suggests that the relationship also exists at the level of functional connectivity dynamics among large-scale brain networks when no standard spatial and spectral constraints are applied on the EEG data.
|
|
|
Simultanneous EEG-FMRI Data Fusion with Generalized Spectral Patterns
Labounek, René ; Havlíček, Martin (referee) ; Hlinka, Jaroslav (referee) ; Jan, Jiří (advisor)
Mnoho rozdílných strategií fúze bylo vyvinuto během posledních 15 let výzkumu simultánního EEG-fMRI. Aktuální dizertační práce shrnuje aktuální současný stav v oblasti výzkumu fúze simultánních EEG-fMRI dat a pokládá si za cíl vylepšit vizualizaci úkolem evokovaných mozkových sítí slepou analýzou přímo z nasnímaných dat. Dva rozdílné modely, které by to měly vylepšit, byly navrhnuty v předložené práci (tj. zobecněný spektrální heuristický model a zobecněný prostorovo-frekvenční heuristický model). Zobecněný frekvenční heuristický model využívá fluktuace relativního EEG výkonu v určitých frekvenčních pásmech zprůměrovaných přes elektrody zájmu a srovnává je se zpožděnými fluktuacemi BOLD signálů pomocí obecného lineárního modelu. Získané výsledky ukazují, že model zobrazuje několik na frekvenci závislých rozdílných úkolem evokovaných EEG-fMRI sítí. Model překonává přístup fluktuací absolutního EEG výkonu i klasický (povodní) heuristický přístup. Absolutní výkon vizualizoval s úkolem nesouvisející širokospektrální EEG-fMRI komponentu a klasický heuristický přístup nebyl senzitivní k vizualizaci s úkolem spřažené vizuální sítě, která byla pozorována pro relativní pásmo pro data vizuálního oddball experimentu. Pro EEG-fMRI data s úkolem sémantického rozhodování, frekvenční závislost nebyla ve finálních výsledcích tak evidentní, neboť všechna pásma zobrazily vizuální síť a nezobrazily aktivace v řečových centrech. Tyto výsledky byly pravděpodobně poškozeny artefaktem mrkání v EEG datech. Koeficienty vzájemné informace mezi rozdílnými EEG-fMRI statistickými parametrickými mapami ukázaly, že podobnosti napříč různými frekvenčními pásmy jsou obdobné napříč různými úkoly (tj. vizuální oddball a sémantické rozhodování). Navíc, koeficienty prokázaly, že průměrování napříč různými elektrodami zájmu nepřináší žádnou novou informaci do společné analýzy, tj. signál na jednom svodu je velmi rozmazaný signál z celého skalpu. Z těchto důvodů začalo být třeba lépe zakomponovat informace ze svodů do EEG-fMRI analýzy, a proto jsme navrhli více obecný prostorovo-frekvenční heuristický model a také jak ho odhadnout za pomoci prostorovo-frekvenční skupinové analýzy nezávislých komponent relativního výkonu EEG spektra. Získané výsledky ukazují, že prostorovo-frekvenční heuristický model vizualizuje statisticky nejvíce signifikantní s úkolem spřažené mozkové sítě (srovnáno s výsledky prostorovo-frekvenčních vzorů absolutního výkonu a s výsledky zobecněného frekvenčního heuristického modelu). Prostorovo-frekvenční heuristický model byl jediný, který zaznamenal s úkolem spřažené aktivace v řečových centrech na datech sémantického rozhodování. Mimo fúzi prostorovo-frekvenčních vzorů s fMRI daty, jsme testovali stabilitu odhadů prostorovo-frekvenčních vzorů napříč různými paradigmaty (tj. vizuální oddball, semantické rozhodování a resting-state) za pomoci k-means shlukovacího algoritmu. Dostali jsme 14 stabilních vzorů pro absolutní EEG výkon a 12 stabilních vzorů pro relativní EEG výkon. Ačkoliv 10 z těchto vzorů vypadají podobně napříč výkonovými typy, prostorovo-frekvenční vzory relativního výkonu (tj. vzory prostorovo-frekvenčního heuristického modelu) mají vyšší evidenci k úkolům.
|
|
|
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 (referee) ; Hlinka, Jaroslav (referee) ; Jan, Jiří (advisor)
Mnoho rozdílných strategií fúze bylo vyvinuto během posledních 15 let výzkumu simultánního EEG-fMRI. Aktuální dizertační práce shrnuje aktuální současný stav v oblasti výzkumu fúze simultánních EEG-fMRI dat a pokládá si za cíl vylepšit vizualizaci úkolem evokovaných mozkových sítí slepou analýzou přímo z nasnímaných dat. Dva rozdílné modely, které by to měly vylepšit, byly navrhnuty v předložené práci (tj. zobecněný spektrální heuristický model a zobecněný prostorovo-frekvenční heuristický model). Zobecněný frekvenční heuristický model využívá fluktuace relativního EEG výkonu v určitých frekvenčních pásmech zprůměrovaných přes elektrody zájmu a srovnává je se zpožděnými fluktuacemi BOLD signálů pomocí obecného lineárního modelu. Získané výsledky ukazují, že model zobrazuje několik na frekvenci závislých rozdílných úkolem evokovaných EEG-fMRI sítí. Model překonává přístup fluktuací absolutního EEG výkonu i klasický (povodní) heuristický přístup. Absolutní výkon vizualizoval s úkolem nesouvisející širokospektrální EEG-fMRI komponentu a klasický heuristický přístup nebyl senzitivní k vizualizaci s úkolem spřažené vizuální sítě, která byla pozorována pro relativní pásmo pro data vizuálního oddball experimentu. Pro EEG-fMRI data s úkolem sémantického rozhodování, frekvenční závislost nebyla ve finálních výsledcích tak evidentní, neboť všechna pásma zobrazily vizuální síť a nezobrazily aktivace v řečových centrech. Tyto výsledky byly pravděpodobně poškozeny artefaktem mrkání v EEG datech. Koeficienty vzájemné informace mezi rozdílnými EEG-fMRI statistickými parametrickými mapami ukázaly, že podobnosti napříč různými frekvenčními pásmy jsou obdobné napříč různými úkoly (tj. vizuální oddball a sémantické rozhodování). Navíc, koeficienty prokázaly, že průměrování napříč různými elektrodami zájmu nepřináší žádnou novou informaci do společné analýzy, tj. signál na jednom svodu je velmi rozmazaný signál z celého skalpu. Z těchto důvodů začalo být třeba lépe zakomponovat informace ze svodů do EEG-fMRI analýzy, a proto jsme navrhli více obecný prostorovo-frekvenční heuristický model a také jak ho odhadnout za pomoci prostorovo-frekvenční skupinové analýzy nezávislých komponent relativního výkonu EEG spektra. Získané výsledky ukazují, že prostorovo-frekvenční heuristický model vizualizuje statisticky nejvíce signifikantní s úkolem spřažené mozkové sítě (srovnáno s výsledky prostorovo-frekvenčních vzorů absolutního výkonu a s výsledky zobecněného frekvenčního heuristického modelu). Prostorovo-frekvenční heuristický model byl jediný, který zaznamenal s úkolem spřažené aktivace v řečových centrech na datech sémantického rozhodování. Mimo fúzi prostorovo-frekvenčních vzorů s fMRI daty, jsme testovali stabilitu odhadů prostorovo-frekvenčních vzorů napříč různými paradigmaty (tj. vizuální oddball, semantické rozhodování a resting-state) za pomoci k-means shlukovacího algoritmu. Dostali jsme 14 stabilních vzorů pro absolutní EEG výkon a 12 stabilních vzorů pro relativní EEG výkon. Ačkoliv 10 z těchto vzorů vypadají podobně napříč výkonovými typy, prostorovo-frekvenční vzory relativního výkonu (tj. vzory prostorovo-frekvenčního heuristického modelu) mají vyšší evidenci k úkolům.
|
|
|
Relationship between Electrophysiological Activity and Dynamic Functional Connectivity of Large-scale Brain Networks in fMRI Data
Lamoš, Martin ; Hlinka, Jaroslav (referee) ; Kremláček, Jan (referee) ; Jan, Jiří (advisor)
Functional brain connectivity is a marker of the brain state. Growing interest in the examination of large-scale brain network functional connectivity dynamics is accompanied by an effort to find the electrophysiological correlates. The commonly used constraints applied to spatial and spectral domains during EEG data analysis may leave part of the neural activity unrecognized. A proposed approach blindly reveals multimodal EEG spectral patterns that are related to the dynamics of the BOLD functional network connectivity. The blind decomposition of EEG spectrogram by Parallel Factor Analysis has been shown to be a useful technique for uncovering patterns of neural activity where each pattern contains three signatures (spatial, temporal, and spectral). The decomposition takes into account the trilinear structure of EEG data, as compared to the standard approaches of electrode averaging, electrode subset selection or using standard frequency bands. The simultaneously acquired BOLD fMRI data were decomposed by Independent Component Analysis. Dynamic functional connectivity was computed on the component’s time series using a sliding window correlation, and functional connectivity network states were then defined based on the values of the correlation coefficients. ANOVA tests were performed to assess the relationships between the dynamics of functional connectivity network states and the fluctuations of EEG spectral patterns. Three patterns related to the dynamics of functional connectivity network states were found. Previous findings revealed a relationship between EEG spectral pattern fluctuations and the hemodynamics of large-scale brain networks. This work suggests that the relationship also exists at the level of functional connectivity dynamics among large-scale brain networks when no standard spatial and spectral constraints are applied on the EEG data.
|
|
|
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.
Fulltext: content.csg -  PDF
Plný tet: v1241-16 - PDF
|
|
| |
|
| |
guest ::
RSS feed.