Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-5185
Main Title: New methods for analysis of source localization and brain connectivity
Subtitle: towards invariance against volume conduction artifacts
Translated Title: Neue Methoden für Quellenlokalisierung und die Analyse von Hirnkonnektivität
Translated Subtitle: mit Invarianz gegenüber Artefakten der Volumenleitung
Author(s): Shahbazi Avarvand, Forooz
Advisor(s): Müller, Klaus-Robert
Referee(s): Müller, Klaus-Robert
Nolte, Guido
Daffertshofer, Andreas
Granting Institution: Technische Universität Berlin
Type: Doctoral Thesis
Language Code: en
Abstract: Due to the artifacts of volume conduction, localization of interacting brain sources is an intricate issue in inverse calculations of EEG and MEG data. Since non-interacting brain sources do not contribute systematically, i.e. apart from random fluctuations around zero, to the imaginary part of cross-spectrum calculated from EEG/MEG data, these measures are powerful tools to study functional brain connectivity from noninvasive electrophysiological data. MUltiple SIgnal Classification (MUSIC), is a standard localization method.In one of the MUSIC variants called Recursively Applied and Projected MUSIC (RAP-MUSIC), multiple iterations are proposed in order to decrease the location estimation uncertainties introduced by subspace estimation errors. Since we are interested in the interacting sources, I propose to apply the existing subspace method “RAP-MUSIC” to the subspace found from the dominant singular vectors of the imaginary part of cross-spectrum. Secondly, to estimate the specific sources interacting with each other, I use a modified LCMV-beamformer approach in which the source direction for each voxel is determined by maximizing the imaginary part of coherency with respect to a given reference. Subspace based algorithms, such as MUSIC and RAP-MUSIC are very sensitive to the choice of subspace. In case the subspace is not accurately estimated, the sources which best explain the data are not localized optimally. RAP-MUSIC is therefore applicable in this form, i.e. on the subspace spanned by the eigenvectors of the imaginary part of cross-spectrum rather than the eigenvectors of covariance matrix, only if the number of interacting sources is even. The reason is that the imaginary part of cross-spectrum is antisymmetric and all eigenvalues occur in pairs. To solve this issue, a new method called Self-Consistent MUSIC (SC-MUSIC) is suggested which is based on the idea that the presence of several sources has a bias on the localization of each source through the bias on the estimation of the subspace. This bias can be reduced by projecting out all other sources mutually rather than iteratively. Further in this thesis, I introduce a new method which tests the sensitivity of connectivity measures for artifacts of volume conduction. The idea is to construct surrogate data which are statistically as close as possible to the original data but are superpositions of independent sources. For any connectivity which is noticed in the surrogate data, we can claim that there is not enough evidence to show that it is generated by real interactions rather than by artifacts of volume conduction. The Bispectrum, another measure of interaction which is applied in the estimation of non-linear interactions, is discussed in this thesis. A new normalization factor called univariate normalization is introduced which is unique in the sense that satisfies two fundamental requirements: 1. The absolute value of the normalized bispectrum is bounded by zero and one. 2. The normalization value by itself is only a measure of the signal strength rather than the interactions between signals.
Aufgrund von Artefakten bei der Volumenleitung ist die Lokalisation von interagierenden Hirnquellen ein schwieriges Problem bei Inversrechnungen in EEG und MEG Daten. Da nicht-interagierende Hirnquellen nicht systematisch, d.h. außer von zufälligen Fluktuationen um den Nullpunkt, zum Imaginärteil des Kreuzspektrums von EEG/MEG beitragen, ist dieses Maß ein mächtiges Instrument, um funktionelle Konnektivität von nicht-invasiven eletrophysiologischen Daten zu untersuchen. MUltiple SIgnal Classification (MUSIC) ist eine Standardlokalisierungsmethode. In einer der MUSIC Varianten names Recursively Applied and Projected MUSIC (RAP-MUSIC), werden multiple Iterationen vorgeschlagen, um die Unsicherheit bei der Lokalisierung durch Schätzungsfehler beim Unterraum zu verringern. Da wir an interagierenden Quellen interessiert sind, schlage ich vor, das existierende Unterraum-Verfahren auf den dominanten Singulärvektor des Imaginärteils des Kreuzspektrums anzuwenden. Zweitens, um die spezifisch miteinander interagierenden Quellen zu finden, nutze ich einen modifizierten LCMV beamformer, in dem die Richtung der Quelle in jedem Voxel so bestimmt wird, dass sie den Imaginärteil der Kohärenz in Bezug auf eine gegebene Referenz maximiert. Unterraum-basierte Verfahren, wie MUSIC und RAP-MUSIC, sind sehr sensibel in Bezug auf die Wahl des Unterraums. Falls der Unterraum nicht akkurat geschätzt wird, so werden die Quellen, die die Daten am besten erklären, nicht optimal lokalisiert. RAP-MUSIC ist daher nur dann in dieser Form anwendbar, d.h. auf den Unterraum, der von den Eigenvektoren des Imaginärteils des Kreuzspektrums aufgespannt anstatt der Eigenvektoren der Kovarianzmatrix, wenn die Anzahl der interagierenden Quellen gerade ist. Der Grund ist der, dass der Imaginärteil des Kreuzspektrums anti-symmetrisch ist, und damit alle Eigenwerte in Paaren auftauchen. Um dieses Problem zu lösen, führen wir eine neue Methode namens Self-Consistent Music (SC-MUSIC) ein, die auf der Idee basiert ist, dass die Anwesenheit von mehreren Quellen die Lokalisierung jeder einzelnen Quelle beinflusst, in dem die Schätzung des Unterraums verzerrt wird. Dieser Effekt kann reduziert werden, indem man alle Quellen gleichzeitig anstatt von iterativ herausprojiziert. Weiterhin führe ich eine neue Methode ein, die die Sensiblität von Konnektivitätsmaßen gegenüber Artefakten der Volumenleitung testet. Die Idee besteht darin, Surrogatdaten zu bestimmen, die statistisch so nah wie möglich an den Originaldaten liegen, die aber Summen von unabhängigen Quellen sind. Für jedes Maß an Konnektivität, das in den Surrogatdaten entdeckt wird, gibt es somit nicht genug Beweise, um nachzuweisen, dass es sich um reale Interaktionen handelt anstatt von Artefakten der Volumenleitung. Das Bispektrum, ein weiteres Maß von Interaktion, dass bei der Schätzung von nicht-linearen Interaktionen angewandt wird, wird in dieser Arbeit ebenfalls behandelt. Ein neuer Normalisierungsfaktor namens "univariate Normalisation" wird eingeführt, der eindeutig ist in dem Sinne, dass er zwei fundamentelle Forderungen erfüllt: 1. Der Absolutwert des normalisierten Bispektrums liegt zwischen null und eins. 2. Der Normalisierungsfaktor ist nur ein Maß der Signalstärke, nicht der Stärke der Interaktion zwischen Signalen.
URI: http://depositonce.tu-berlin.de/handle/11303/5556
http://dx.doi.org/10.14279/depositonce-5185
Exam Date: 5-Jan-2016
Issue Date: 2016
Date Available: 17-Jun-2016
DDC Class: DDC::500 Naturwissenschaften und Mathematik::500 Naturwissenschaften::500 Naturwissenschaften und Mathematik
Subject(s): brain connectivity
source localization
volume conduction artifacts
MUSIC based algorithms
Hirnkonnektivität
Quellenlokalisierung
Volumenleitungsartefakte
MUSIC-basierte Algorithmen
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 
shahbazi_avarvand_forooz.pdf19.98 MBAdobe PDFThumbnail
View/Open


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