Methodological considerations and advancements of mobile brain/body imaging data analysis
| dc.contributor.author | Klug, Marius Sebastian | |
| dc.contributor.grantor | Technische Universität Berlin | |
| dc.contributor.referee | Gramann, Klaus | |
| dc.contributor.referee | Cohen, Michael S. | |
| dc.date.accepted | 2022-11-11 | |
| dc.date.accessioned | 2023-01-27T15:45:59Z | |
| dc.date.available | 2023-01-27T15:45:59Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | Recent technological advancements in both instrumentation and analysis methods of human brain imaging data such as electroencephalography (EEG) increasingly allow the measurement of mobile participants that interact with their environment. The new field of Mobile Brain/Body Imaging (MoBI; Gramann et al., 2011; Makeig, Gramann, Jung, Sejnowski, & Poizner, 2009) combines these measurements with imaging methods regarding the body, such as motion or eye tracking, and analyzes the multimodal data in order to investigate natural cognition in action. These analyses require the synchronized import of all data streams, options to process body data modalities, reliable preprocessing of EEG data in light of the elevated amount of non-cortical contributions in mobile settings, and the combined functional analysis of all modalities. Here, especially the sound preprocessing of EEG data from mobile settings suffers from a lack of information regarding a number of parameters that can be adjusted during the cleaning. Additionally, a comprehensive toolbox that addresses all four of these aspects is missing to date, but could be highly beneficial to the field. Two overarching goals were thus formulated in this dissertation: The first is to increase the reliability of MoBI data analysis, on the one hand by investigating the effect of different steps during the EEG processing, and on the other hand by standardizing the analysis of MoBI data. The second is to increase the usability of MoBI data analysis methods, focusing on the employment of easy-to-use and transparent automated processing tools. To realize these goals, this dissertation presents two studies that investigate the parameters mobility, channel density, high-pass filter, and time-domain cleaning on their effect on the decomposition of EEG using independent component analysis (ICA). These studies lead to a set of best practices that can be employed when decomposing EEG data with ICA. Additionally, two automated toolboxes for the analysis of MoBI data are presented: The first, Zapline-plus, allows the removal of frequency specific artifacts from EEG data while minimizing the impact on non-artifactual elements of the data. The second, the BeMoBIL Pipeline, is a comprehensive pipeline for the analysis of MoBI data that addresses the four formulated requirements by making use of Zapline-plus and the information collected in the two studies, and augmenting them with a variety of wrapper functions that can be used automatically with minimal setup time. It emphasizes the use of robust methods to increase the reproducibility of the analysis, and provides documentations of all processing milestones and performed steps. The presented works are finally discussed with regards to their contributions to MoBI as a research method, in particular addressing the use of automation when processing MoBI data. Realizing the two formulated goals, this dissertation seeks to increase the applicability of MoBI in general by consolidating the use of mobile EEG and body data as a highly effective imaging method, and to increase the accessibility of MoBI as a tool for researchers from other fields. | en |
| dc.description.abstract | Jüngste Entwicklungen hinsichtlich der Analysemethoden für bildgebende Verfahren des menschlichen Gehirns, als auch der hierfür notwendigen Messinstrumente—beispielsweise Elektroenzephalographie (EEG)—ermöglichen zunehmend, Versuchspersonen in Bewegung und in direkter Interaktion mit ihrer Umwelt zu untersuchen. Das ebenfalls noch junge Feld des Mobile Brain/Body Imaging (MoBI; Gramann et al., 2011; Makeig, Gramann, Jung, Sejnowski, & Poizner, 2009) nutzt diese Messmethoden und kombiniert sie mit körperbezogenen bildgebende Verfahren wie Motion und Eye Tracking, um anhand der analysierten Daten menschliche Kognition in Aktion untersuchen zu können. Die Voraussetzungen für die Analyse bilden dabei: der synchronisierte Import dieser Daten aus verschiedenen Quellen, Optionen zur Verarbeitung der verschiedenen körperbezogenen Daten, eine verlässliche Vorverarbeitung von EEG Daten unter Berücksichtigung eines erhöhten Anteils nicht-kortikaler Artefakte durch die Mobilität der Versuchspersonen sowie eine abschließende funktionale Analyse der Daten in ihrer Gesamtheit. In diesem Prozess lässt vor allem die Vorverarbeitung der EEG Daten Informationen darüber vermissen, wie bestimmte Parameter während der inkludierten Bereinigung der Daten angepasst werden sollten. Darüber hinaus mangelt es an einer umfassenden Toolbox, welche die vier angeführten Aspekte berücksichtigt. Ein solches Tool könnte jedoch einen relevanten Beitrag zum Forschungsfeld Mobile Brain/Body Imaging leisten. Darauf basierend lassen sich für die vorliegende Dissertation zwei übergreifende Ziele formulieren: Zum einen soll eine erhöhte Reliabilität der MoBI Datenanalyse erreicht werden – einerseits durch die Untersuchung von möglichen Auswirkungen aller Schritte der EEG-Verarbeitung, andererseits durch eine Standardisierung ebendieser Analyse. Zum anderen soll die Anwendbarkeit der für die Analyse notwendigen Methoden erleichtert werden, wobei der Fokus auf einer leicht zu bedienenden, dabei jedoch gut nachvollziehbaren Automatisierung des Prozesses liegt. In Hinblick auf ebendiese Ziele werden in der vorliegenden Dissertation zwei Studien vorgestellt, welche die Parameter Mobilität, Kanaldichte, Hochpassfilter und Bereinigung in der Zeitdomäne hinsichtlich ihres Einflusses auf die Zerlegung der EEG Daten in ihre Quellen unter Verwendung von Independent Component Analysis (ICA) untersuchen. Aus diesen Studien werden eine Reihe von Best Practices abgeleitet, die für die Zerlegung von EEG Daten mittels ICA angewendet werden können. Darüber hinaus werden zwei automatisierte Toolboxen für die Analyse von MoBI Daten vorgestellt: Zapline-plus, welche das Entfernen frequenzspezifischer Artefakte aus EEG Daten bei minimaler Auswirkung auf die anderen, relevanten, Signale der Daten ermöglicht. Sowie die BeMoBIL-Pipeline, welche ein umfassendes Tool zur Analyse von MoBI Daten darstellt und die vier zuvor formulierten Anforderungen an den Prozess abdeckt, indem sie Zapline-plus und die Erkenntnisse zur Anwendung der ICA nutzt und die Vorverarbeitung von EEG Daten um eine Vielzahl von Wrapper-Funktionen erweitert. Die BeMoBIL Pipeline kann nicht nur nach minimaler Einrichtungszeit vollautomatisch verwendet werden, sie setzt auch auf robuste Methoden, die die Reproduzierbarkeit der Datenanalyse erhöhen und bietet eine umfangreiche Dokumentation aller Verarbeitungsschritte und Meilensteine. Die vorgestellten Arbeiten werden abschließend in Hinblick auf ihren Beitrag zu MoBI als Forschungsmethode diskutiert, wobei besonders der Einsatz von Automatisierungen bei der Verarbeitung von MoBI-Daten fokussiert wird. Durch die Umsetzung der beiden zuvor formulierten Ziele wird im Rahmen dieser Dissertation dank der Konsolidierung der Verwendung von EEG- und körperbezogenen Daten als hocheffektives Bildgebendes Verfahren sowohl die Anwendbarkeit von MoBI im Allgemeinen erhöht, als auch MoBI für Forschende aus anderen Feldern leichter zugänglich gemacht. | de |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/18104 | |
| dc.identifier.uri | https://doi.org/10.14279/depositonce-16897 | |
| dc.language.iso | en | |
| dc.relation.haspart | 10.14279/depositonce-15901 | |
| dc.relation.haspart | 10.14279/depositonce-11074 | |
| dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | |
| dc.subject.ddc | 153 Kognitive Prozesse, Intelligenz | de |
| dc.subject.other | electroencephalography | en |
| dc.subject.other | signal processing | en |
| dc.subject.other | neuroscience | en |
| dc.subject.other | artifact removal | en |
| dc.subject.other | mobile brain/body imaging | en |
| dc.subject.other | Elektroenzephalographie | de |
| dc.subject.other | Signalverarbeitung | de |
| dc.subject.other | Neurowissenschaft | de |
| dc.subject.other | Artefaktbereinigung | de |
| dc.title | Methodological considerations and advancements of mobile brain/body imaging data analysis | en |
| dc.type | Doctoral Thesis | |
| dc.type.version | acceptedVersion | |
| dcterms.rightsHolder.reference | Deposit-Lizenz (Erstveröffentlichung) | |
| tub.accessrights.dnb | free | |
| tub.affiliation | Fak. 5 Verkehrs- und Maschinensysteme::Inst. Psychologie und Arbeitswissenschaft::FG Biopsychologie und Neuroergonomie | |
| tub.publisher.universityorinstitution | Technische Universität Berlin |