|
|
Sdružená EEG-fMRI analýza na základě heuristického modelu
Janeček, David ; Kremláček, Jan (oponent) ; Labounek, René (vedoucí práce)
Diplomová práce se zabývá sdruženou EEG-fMRI analýzou na základě heuristického modelu. Heuristický model popisuje vztah mezi změnami v prokrvení aktivních mozkových oblastí a v elektrické aktivitě neuronů. Dále se tato práce zabývá různými metodami extrakce užitečné informace z EEG záznamu a jejich vlivy na konečný výsledek sdružené analýzy. Byly testovány metody průměrování elektrod zájmu, rozklad pomocí analýzy hlavních komponent a rozklad pomocí nezávislých komponent. Metoda průměrování elektrod zájmu a rozklad pomocí PCA dává podobné výsledky, ale není možné z EEG záznamu extrahovat jedinečnou informaci o určitém stimulačním vektoru. Pomocí ICA rozkladu jsme schopni získat informaci vztahující se k určité stimulaci, ale nastává zde problém v konečné interpretaci a výběru správné komponenty při slepém hledání variability spřažené s experimentem. Bylo zjištěno, že ačkoliv komponenty vypočtené z časové posloupnosti EEG záznamu jsou vzájemně nezávislé, jejich posun spektra vzájemně koreluje. Tato spektrální závislost byla eliminována PCA/ICA rozkladem až na vektorech posunu spektra. Zde již každá komponenta přináší novou informaci o mozkové aktivitě. Výsledky z heuristického přístupu byly porovnávány s výsledky sdružené analýzy na základě výpočtu relativního a absolutního výkonu v pásmech zájmu a byly nalezeny souvislosti mezi aktivačními mapami, a to především mezi heuristickým modelem a relativním výkonem v pásmu gamma (20-40 Hz).
|
|
|
Porovnání metod efektivní a funkční konektivity ve funkční magnetické rezonanci
Gajdoš, Martin ; Schwarz, Daniel (oponent) ; Jan, Jiří (vedoucí práce)
Funkční magnetická rezonance (fMRI) je důležitá neurozobrazovací metoda, používaná ke studiu mozku. Cílem této práce je vytvořit softwarový nástroj pro porovnání dvou souměřitelných metod pro zjišťování funkční a efektivní konektivity ve fMRI datech. V této práci jsou shrnuty základní poznatky o zobrazování magnetickou rezonancí a o zobrazování pomocí fMRI. Dále se práce zabývá metodami funkční a efektivní konektivity, detailně metodami dynamického kauzálního modelování (DCM), analýzy nezávislých komponent (ICA) a Grangerova kauzálního modelování (GCM). V práci je představena praktická implementace metody DCM v toolboxu SPM a metody ICA v toolboxu GIFT. Následně se práce zabývá simulacemi pro porovnání souměřitelných metod DCM a GCM. Simulace jsou prováděny především za účelem zjištění chování modelů v závislosti na několika parametrech, čehož bylo dosaženo použitím Monte Carlo simulací. Ke konci práce je podrobně popsán návrh a realizace softwarového nástroje Connectivity_simulator, který umožňuje provést porovnání metod GCM a DCM na základě uživatelem specifikovaných vstupních parametrů simulace, a výsledky této simulace přehledně zobrazit.
|
|
|
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.
|
|
|
Time Frequency Analysis of ERP Signals
Bartůšek, Jan ; Provazník, Ivo (oponent) ; Černocký, Jan (vedoucí práce)
The aim of this work is to improve the algorithm for clustering ERP signals based on the temporal and spatial properties of pseudo-signals gained by the Independent Component Analysis. The main purpose is to find new features, which could improve the original algorithm. This study is investigating application of new features gained by Fourier Transform and short time Fourier Transform methods. Basic principle and performance of the concept is demonstrated on the sample algorithm. Results have shown that the method can bring a contribution to the original project and can be its convenient improvement.
|
|
|
Hodnocení vlivu mrkání na výsledek fúze simultánních EEG-fMRI dat
Dobiš, Lukáš ; Jakubíček, Roman (oponent) ; Labounek, René (vedoucí práce)
Práce se zabývá základní teorií k simultánní fúzi EEG-fMRI dat. Principy akvizice jednotlivých dat a jejich artefakty s rozsáhlým zaměřením na jejich předzpracování. Konkrétně na potlačení artefaktu mrkání z EEG dat a metodou analýzy nezávislých komponent. Dále se zabývá technikou fúze dat v obecném lineárním modelu a vytvořením aktivačních map statisticky významných korelací. Práce obsahuje popis metodiky potřebné na analýzu výsledků. Jsou popsány parametry použitých dat. Je navržen a aplikován proces předzpracování EEG dat, včetně potlačení artefaktu a fúze s vyhodnocením v prostředí MATLAB. Výsledky vyhodnocení prokázaly větší vliv mrkacího artefaktu na výsledky počítané z relativního výkonu a neúplnost kompletního potlačení artefaktu z dat pro testovanou metodu.
|
|
|
Detekce bdělosti mozku ze skalpového EEG záznamu za pomoci vyšších statistických metod
Semeráková, Nikola ; Ronzhina, Marina (oponent) ; Labounek, René (vedoucí práce)
Diplomová práce se věnuje detekci bdělosti mozku ze skalpového EEG záznamu pomocí vyšších statistických metod. Součástí práce je popis elektroencefalografie, od způsobu geneze signálu, snímání, elektroencefalografu, artefaktů EEG signálu, frekvenčních pásem EEG signálu až po jeho možné zpracování. Dále je zde rozebrán pojem mentální únavy a možnosti její detekce v EEG signálu. Následně jsou zde popsány principy vyšších statistických metod PCA a ICA a konkrétní možnosti dekompozice EEG signálu pomocí těchto metod, ze kterých byla vybrána metoda skupinové prostorovofrekvenční ICA jako vhodná metoda pro selekci dílčích oscilačních zdrojů v EEG signálu V další části je popsán způsob akvizice dat, návrh řešení za pomoci vybrané metody a popis implementovaného algoritmu, který byl aplikován na reálná 256-svodová skalpová EEG data nasnímaná při plnění blokového úkolu zaměřeného na testování pozornosti subjektů. Dekomponován byl absolutní a relativní výkon EEG signálu. Z dosažených výsledků pozorujeme, že fluktuace prostorovofrekvenčních vzorů relativního výkonu (zejména pro theta a alfa pásma) mnohem více signifikantně korespondují se změnou reakčního času a s chybovostí subjektů plnících úkol. Tato dosažená pozorování se jeví poměrně konzistentní s dříve publikovanou literaturou a aktuální studie ukazuje, že prostorovo-frekvenční ICA je schopna slepě izolovat prostorovo-frekvenční vzory, jejichž fluktuace jsou statisticky signifikantně korelované s parametry (reakční čas, míra chybovosti) plynoucími přímo z plnění daného úkolu.
|
|
|
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.
|
|
|
Nedourčená slepá separace zvukových signálů
Čermák, Jan ; Smékal, Zdeněk (vedoucí práce)
V reálných situacích se často setkáváme s případem, kdy je v neznámém prostředí smícháno více zvukových signálů dohromady. Aby mohly být tyto signály správně interpretovány je nutné užitečné signály extrahovat z jejich směsi. Disciplína zabývající se tímto problémem se nazývá slepá separace signálů. Tato práce pojednává o vícekanálové slepé separaci zvukových signálů v reálném prostředí, a to i v případě kdy počet zdrojů přesáhne počet senzorů. První částí disertační práce je úvodem do slepé separace signálu. Je zde provedena analýza současného stavu separačních metod. Na základě získaných poznatků jsou navrženy separační systémy implementující více-stavové časově-frekvenční maskování. Tyto metody však stále provádí nelineární změny ve spektru, jež mohou způsobovat hudební šum. Jsou tedy představeny další metody potlačující hudební šum. Tyto metody kombinují časově-frekvenční binární maskování a adaptivní metody směrování přijímací charakteristiky. Výsledkem je nový lineární separační systém aplikovatelný i v případě kdy počet zdrojů převyšuje počet senzorů. V závěrečné části práce jsou navržené separační systémy vyhodnoceny pomocí objektivních i subjektivních testů.
|
|
|
Analýza spánkového EEG
Sadovský, Petr ; Rozman, Jiří (vedoucí práce)
Práce se zabývá analýzou a zpracováním spánkových signálů EEG. Problematika, která je v ní zpracována se dá rozdělit do několika hlavních oblastí. První oblast se věnuje analýze signálů EEG metodou nezávislých komponent. Na základě specifikace této metody analýzy je navržen a popsán lineární model vzniku signálů EEG. Dále je podrobně rozpracováno posouzení podmínek, za kterých jsou informace získané analýzou platné. Další část se věnuje využití metody nezávislých komponent k odstranění nedeterministických artefaktů ze signálů EEG. Druhou hlavní oblastí je analýza stacionarity spánkových signálů EEG, hledání stacionárních úseků signálů a analýza statistických vlastností těchto stacionárních úseků. Další oblast je zaměřena na spektrální analýzu spánkových signálů EEG. V této oblasti jsou analyzovány děje, které se podílí na vzniku konkrétních spekter signálů EEG. Je zde také provedena analýza stochastických signálů, které jsou nedílnou součástí záznamu signálů EEG. Poslední oblast je zaměřena na eliminaci přechodných dějů, které vznikají při filtraci krátkých úseků signálů EEG na jeho začátku.
|
host ::
RSS.