|
|
Joint EEG-fMRI analysis based on heuristic model
Janeček, David ; Kremláček, Jan (referee) ; Labounek, René (advisor)
The master thesis deals with the joint EEG-fMRI analysis based on a heuristic model that describes the relationship between changes in blood flow in active brain areas and in the electrical activity of neurons. This work also discusses various methods of extracting of useful information from the EEG and their influence on the final result of joined analysis. There were tested averaging methods of electrodes interest, decomposition by principal components analysis and decomposition by independent component analysis. Methods of averaging and decomposition by PCA give similar results, but information about a stimulus vector can not be extracted. Using ICA decomposition, we are able to obtain information relating to the certain stimulation, but there is the problem in the final interpretation and selection of the right components in a blind search for variability coupled with the experiment. It was found out that although components calculated from the time sequence EEG are independent for each to other, their spectrum shifts are correlated. This spectral dependence was eliminated by PCA / ICA decomposition from vectors of spectrum shifts. For this method, each component brings new information about brain activity. The results of the heuristic approach were compared with the results of the joined analysis based on the relative and absolute power approach from frequency bands of interest. And the similarity between activation maps was founded, especially for the heuristic model and the relative power from the gamma band (20-40Hz).
|
|
|
A comparison of effective and functional connectivity methods in fMRI
Gajdoš, Martin ; Schwarz, Daniel (referee) ; Jan, Jiří (advisor)
Functional magnetic resonance imaging (fMRI) is recent important method, used in neuroimaging. The aim of this thesis is to develop software tool for comparison of two methods for functional and effective connectivity estimation. In this thesis are described the basics of magnetic resonance imaging, fMRI, basic terms of fMRI experiments and generally are described methods of functional and effective connectivity. Then are more detailed mentioned methods of dynamic causal modeling (DCM), Granger causal modeling (GCM) and independent component analysis (ICA). Practical implementation of DCM in toolbox SMP and ICA in toolbox GIFT is also mentioned. In purpose to describe behavior of DCM and GCM in dependence on several parameters are performed Monte Carlo simulations. Then the concept and realization of software tool for simulating connectivity and comparison of DCM and GCM are described. Finally results of DCM and GCM comparison and results of Monte Carlo simulations are discussed.
|
|
|
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.
|
|
|
Time Frequency Analysis of ERP Signals
Bartůšek, Jan ; Provazník, Ivo (referee) ; Černocký, Jan (advisor)
Tato práce se zabývá vylepšením algoritmu pro sdružování (clustering) ERP signálů pomocí analýzy časových a prostorových vlastností pseudo-signálů získaných za pomocí metody analýzy nezávislých komponent (Independent Component Analysis). Naším zájmem je nalezení nových vlastností, které by zlepšily stávající výsledky. Tato práce se zabývá použitím Fourierovy transformace (Fourier Transform), FIR filtru a krátkodobé Fourierovy transformace ke zkvalitnění informace pro sdružovací algoritmy. Princip a použitelnost metody jsou popsány a demonstrovány ukázkovým algoritmem. Výsledky ukázaly, že pomocí dané metody je možné získat ze vstupních dat zajímavé informace, které mohou být úspěšně použity ke zlepšení výsledků.
|
|
|
Evaluation of eye-blinking artifact effect on fusion result of simultaneous EEG-fMRI data
Dobiš, Lukáš ; Jakubíček, Roman (referee) ; Labounek, René (advisor)
This thesis sets a theoretical framework about simultaneous EEG-fMRI fusion. The work contains a description of basic principles of acquisition, their individual artifact types and preprocessing techniques for each type of data. Thesis mainly deals with suppression of eye blink artifacts in EEG data, by the method of independent component analysis. The following part explains the technique of simultaneous EEG-fMRI fusion in a general linear model and the creation of activation maps of statistically important correlations. This chapter is concluded with a description of methodology needed for result analysis. Finally, the used data are described, and a solution is proposed and applied in process of EEG preprocessing with artifact suppression, data fusion and result evaluation in MATLAB environment. Evaulation results showed that eye blink artifact influences the fusion result computed from relative power values more then that constructed via absolute power values. Tested method didnt supress eye blink artifact completely.
|
|
|
Dectection of brain wakefulness from scalp EEG data with higher order statistics
Semeráková, Nikola ; Ronzhina, Marina (referee) ; Labounek, René (advisor)
Presented master's thesis deals with detection of brain wakefulness from scalp EEG data with higher order statistics. Part of the thesis is a description of electroencephalography, from the method of signal generation, sensing, electroencephraphy, EEG signal artifacts, frequency bands of EEG signal to its possible processing. Furthermore, the concept of mental fatigue and the possibility of its detection in the EEG signal is described. Subsequently, the principles of higher statistical methods of PCA and ICA and the specific possibilities of decomposition of EEG signal are described using these methods, from which the method of group spatial-frequency ICA was chosen as a suitable method for selection of partial oscillatory sources in EEG signal. In the next part there is described a method of acquisition of data, a the suggestion of solution with selected method and a description of the implemented algorithm, that was applied to real 256-lead scalp EEG data captured during a block task focused on subject allertnes. The absolute and relative power of the EEG signal was decomposed. From the achieved results, we observe that the fluctuations of the spatial frequency patterns of relative power (especially for theta and alpha bands) significantly more closely correspond with the change of reaction time and the error of the subjects performing the task. These observations appear to be relatively consistent with previously published literature, and the current study shows that spatial frequency ICA is able to blindly isolate space-frequency patterns whose fluctuations are statistically significantly correlated with parameters (reaction time, error rate) directly flowing from the given task.
|
|
|
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.
|
|
|
Underdetermined Blind Audio Signal Separation
Čermák, Jan ; Smékal, Zdeněk (advisor)
We often have to face the fact that several signals are mixed together in unknown environment. The signals must be first extracted from the mixture in order to interpret them correctly. This problem is in signal processing society called blind source separation. This dissertation thesis deals with multi-channel separation of audio signals in real environment, when the source signals outnumber the sensors. An introduction to blind source separation is presented in the first part of the thesis. The present state of separation methods is then analyzed. Based on this knowledge, the separation systems implementing fuzzy time-frequency mask are introduced. However these methods are still introducing nonlinear changes in the signal spectra, which can yield in musical noise. In order to reduce musical noise, novel methods combining time-frequency binary masking and beamforming are introduced. The new separation system performs linear spatial filtering even if the source signals outnumber the sensors. Finally, the separation systems are evaluated by objective and subjective tests in the last part of the thesis.
|
|
|
Human Sleep EEG Analysis
Sadovský, Petr ; Rozman, Jiří (advisor)
This thesis deals with analysis and processing of the Sleep Electroencephalogram (EEG) signals. The scope of this thesis can be split into several areas. The first area is application of the Independent Component Analysis (ICA) method for EEG signal analysis. A model of EEG signal formation is proposed and conditions under which this model is valid are examined. It is shown that ICA can be used to remove non-deterministic artifacts contained in the EEG signals. The second area of interest is analysis of stationarity of the Sleep EEG signal. Methods to identify stationary signal segments and to analyze statistical properties of these stationary segments are presented. The third area of interest focuses on spectral analysis of the Sleep EEG signals. Analyses are performed that shows the processes that form particular parts of EEG signals spectrum. Also, random signals that are an integral part of the EEG signals analysis are performed. The last area of interest focuses on elimination of the transition processes that are caused by the filtering of the short EEG signal segments.
|
guest ::
