Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-3075
Main Title: Towards EEG source connectivity analysis
Translated Title: Rekonstruktion von Gehirnquellenkonnektivität anhand von EEG Messungen
Author(s): Haufe, Stefan
Advisor(s): Müller, Klaus-Robert
Granting Institution: Technische Universität Berlin, Fakultät IV - Elektrotechnik und Informatik
Type: Doctoral Thesis
Language: English
Language Code: en
Abstract: Aufgrund seiner hohen zeitlichen Auflösung, Nichtinvasivität und Portabilität, sowie seiner relativ geringen Kosten ist Elektroenzephalografie (EEG) die momentan gebräuchlichste Methode zur Messung dynamischer Informationsverarbeitung im Gehirn. Die Interpretation von EEG-Daten unter neurophysiologischen Gesichtspunkten wird jedoch dadurch erschwert, dass die im Gehirn entstehenden Signale durch Volumenleitung in alle EEG-Sensoren ausstrahlen. Bei der Schätzung von Interaktionen zwischen Gehirnregionen ist dies besonders hinderlich, da hier stets mehrere aktive Quellregionen angenommen werden müssen, deren Beiträge sich jedoch infolge von Volumenleitung in den EEG-Kanälen überlagern. Mit dieser Dissertation leisten wir Beiträge zur EEG-basierten Analyse von Gehirnkonnektivität. Dazu unterziehen wir zunächst gängige Ansätze einer umfangreichen Evaluation anhand simulierter EEG-Daten, die in realistischer Weise als Mischung interagierender Quellen erzeugt werden. Wir beobachten, dass die Mehrzahl der getesteten Methoden nicht in der Lage ist, die Konnektivitätsstruktur der zugrundeliegenden Quellen zu ermitteln. Dies kann in den meisten Fällen darauf zurückgeführt werden, dass entweder i) Volumenleitung bei der Modellierung nicht berücksichtigt wird, oder dass ii) die Annahmen zur Quellschätzung der Existenz von Interaktionen oder gar physikalischen Gegebenheiten widersprechen. Das Hauptaugenmerk der Arbeit liegt auf der Entwicklung von Methoden, die sowohl theoretisch zur Untersuchung von Quellenkonnektivität geeignet, als auch praktisch einsetzbar sind. Hierbei verfolgen wir zwei verschiedene Ansätze. Bei der inversen Quellenrekonstruktion wird ein gegebenes physikalisches Modell der Volumenleitung unter physiologisch motivierten Bedingungen invertiert. Wir präsentieren eine Inversionsmethode namens S-FLEX, die durch geeignete Annahmen in der Lage ist, aktive Gehirnregionen beliebiger Form und Tiefe anhand von EEG-Daten zu rekonstruieren. Unsere Methode eignet sich auch zur Rekonstruktion kompletter Quellzeitreihen als Ausgangspunkt für die Konnektivitätsanalyse. Unsere empirischen Studien belegen die höhere Lokalisierungsgenauigkeit von S-FLEX im Vergleich zu Standardmethoden, sowie die damit einhergehende Verbesserung der Schätzung von Quellenkonnektivität. Im weiteren Verlauf der Arbeit präsentieren wir eine Methode zur sogenannten blinden Quellenrekonstruktion, die in der Lage ist, die Zeitreihen der aktiven Gehirnquellen sowie deren Mischungsverhältnisse im EEG allein anhand der Annahme, dass einige der Quellen untereinander interagieren, zu schätzen. Wir zeigen empirisch, dass diese, SCSA genannte, Methode korrekte Ergebnisse liefert, sofern bestimmte Voraussetzungen die Verteilung der Quellvariablen betreffend erfüllt sind. Im letzten Teil dieser Arbeit analysieren wir den Informationsaustausch zwischen Gehirnregionen mit hoher alpha Aktivität im Ruhezustand. Unsere Untersuchung ergibt, dass die entsprechenden Regionen symmetrisch auf der Großhirnrinde angeordnet sind. Jedoch ist sowohl die Stärke der alpha Generatoren als auch deren geschätzte Vernetzung asymmetrisch, was auf eine über die Stichprobe konsistente dominante Körperhälfte hindeutet.
Due to its temporal resolution in the millisecond range and other compelling properties such as noninvasiveness, portability and relatively low costs, electroencephalography (EEG) is the tool of choice for studying brain dynamics in humans. However, any neurophysiological interpretation of EEG data is hindered by the fact that the signals related to electrical activity in source brain regions are spread across the EEG sensors due to a process called volume conduction, the inversion of which is an ill-posed inverse problem. In the EEG-based analysis of directed information flow between brain regions, volume conduction poses a serious challenge, since multiple active sources have to be assumed, the contributions of which, however, mix into all EEG sensors. With this thesis we contribute to the field of EEG-based brain connectivity analysis. We start by conducting an extensive survey of relevant approaches and go on to assess their performance on simulated EEG data, which are realistically generated as mixtures of interacting sources. We observe that most of the tested methods are not able to determine the connectivity structure of the underlying sources because either i) the effect of volume conduction is neglected or ii) the assumptions made to estimate mixed sources do not comply with the requirements of source connectivity analysis or even with the physics of the EEG. The central contribution of this thesis is the development of source demixings that meet theoretical requirements for source connectivity analysis and are applicable in practice. We achieve this using two different strategies. In inverse source reconstruction, a given physical model of EEG generation is inverted under physiologically motivated constraints. We derive an inverse methodology, S-FLEX, which is able to recover multiple source of arbitrary shape and depth using a sparsity penalty that assures rotational invariance of the solution. Our method is applicable to entire time series as a preprocessing step to source connectivity analysis. Its favorable localization properties are empirically evaluated on real data as well as in simulations and are demonstrated to be the key to correct source connectivity determination. In the course of the thesis, we also present a blind source separation (BSS) technique, SCSA, which estimates the underlying brain sources and their mixing patterns jointly under assumptions on connectivity structure of the sources. We demonstrate that SCSA performs well on simulated data, if mild assumptions regarding the non-Gaussianity of the source variables hold. By way of an outlook, we present a hybrid approach that combines S-FLEX inverse source reconstruction with SCSA blind source separation and thereby fuses physical and dynamical assumptions on the sources. In the final part of the thesis, we analyze information transfer between sources of the human alpha rhythm during rest. Our analysis of S-FLEX source estimates yields a number of insights which could not have been obtained from mere sensor-space analysis. We observe that generators of alpha band activity are mostly symmetrically distributed on the cortex. However, the strength of the sources nor the corresponding interaction patterns are exclusively symmetric. These findings support the hypothesis of a consistent dominant laterality in the population.
URI: urn:nbn:de:kobv:83-opus-33777
http://depositonce.tu-berlin.de/handle/11303/3372
http://dx.doi.org/10.14279/depositonce-3075
Exam Date: 22-Nov-2011
Issue Date: 10-Jan-2012
Date Available: 10-Jan-2012
DDC Class: 500 Naturwissenschaften und Mathematik
Subject(s): Blinde Quellentrennung
Elektroenzephalographie
Gehirnquellenkonnektivität
Inverse Quellenrekonstruktion
Blind source separation
Brain source connectivity
Electroencephalography
Inverse source reconstruction
Usage rights: Terms of German Copyright Law
Appears in Collections:Technische Universität Berlin » Fakultäten & Zentralinstitute » Fakultät 4 Elektrotechnik und Informatik » Institut für Softwaretechnik und Theoretische Informatik » Publications

Files in This Item:
File Description SizeFormat 
Dokument_43.pdf12.8 MBAdobe PDFThumbnail
View/Open


Items in DepositOnce are protected by copyright, with all rights reserved, unless otherwise indicated.