Novel multivariate data analysis techniques to determine functionally connected networks within the brain from EEG or MEG data

dc.contributor.authorEwald, Arneen
dc.contributor.grantorTechnische Universität Berlin, Fakultät IV - Elektrotechnik und Informatiken
dc.contributor.refereeMüller, Klaus-Roberten
dc.contributor.refereeDaffertshofer, Andreasen
dc.contributor.refereeNolte, Guidoen
dc.date.accepted2014-12-02
dc.date.accessioned2015-11-21T00:00:50Z
dc.date.available2014-12-18T12:00:00Z
dc.date.issued2014-12-18
dc.date.submitted2014-12-05
dc.description.abstractDie Funktionsweise des Gehirns wird maßgeblich durch das Zusammenspiel von verschiedenen Gehirnregionen bestimmt. Ein Kommunikationsmechanismus ist dabei die Synchronisation von oszillatorischen Signalen, die von großen Neuronenpopulationen erzeugt werden. Mit ihrer hervorragenden zeitlichen Auflösung im Bereich von Millisekunden und ihrer Nicht-Invasivität sind die elektrophysiologischen Messmodalitäten Elektroenzephalografie (EEG) und Magnetoenzephalografie (MEG) gut geeignete Werkzeuge, um diese Synchronisationseffekte zu untersuchen. Die Sensoren an der Kopfoberfläche messen jedoch eine Mischung der im Gehirn generierten Quellsignale. Durch diesen sogenannten Volumenleitungseffekt ist es weder möglich, die Quellen aus den Sensorsignalen eindeutig zu rekonstruieren noch Beziehungen (Konnektivität) zwischen ihnen abzuleiten. Die vorliegende Arbeit stellt ein Reihe multivariater Datenanalysemethoden vor, um Synchronisation und damit Interaktionen zwischen verschiedenen Gehirnarealen zu erfassen. Alle Methoden basieren auf einem Konzept, dass einem etablierten Konnektivitätsmaß, dem sogenannten Imaginärteil der Kohärenz (englische Abkürzung: ImCoh), zu Grunde liegt. Der ImCoh vernachlässigt gleichzeitig stattfindende Synchronisationseffekte, da sie höchstwahrscheinlich auf Volumenleitungsartefakten beruhen, während echte neuronale Synchronisation im Gegensatz dazu zeitversetzt stattfindet. Im Wesentlichen werden in dieser Arbeit vier verschiedenen Methoden präsentiert, die nacheinander benutzt werden können. Zunächst wird die Maximierung des ImCohs durch einen optimalen räumlichen Filter beschrieben. Damit wird das Signal-Rausch-Verhältnis der Daten für anschließende Konnektivitätsanalysen und für die Quellrekonstruktion verbessert. Weiterhin werden aus der vorgestellten Theorie dieser Maximierung verschiedene neue Konnektivitätsmaße abgeleitet, auf die die eigentliche Mischung der Quellsignale in die Sensoren keinerlei Einfluss hat. Mit einem dieser Maße, dem Global Interaction Measure (GIM) lassen sich aufgrund dieser Eigenschaften die Messmodalitäten EEG und MEG valide vergleichen. Weiterhin können mit dem GIM versuchspersonenspezifische Frequenzbänder, bei denen eine neuronale Synchronisation stattfindet, automatisch detektiert werden. In einem zweiten Schritt werden die Gehirnquellen in dem zuvor bestimmten Frequenzband mit einem neuen Analyseverfahren namens Self Consistent Multiple Signal Classification (SC Music) lokalisiert. Dieses stellt eine algorithmische Erweiterung des bereits bestehenden Verfahrens Rap Music (Recursively Applied Multiple Signal Classification) dar. Im Vergleich zu Rap Music verringert SC Music den Einfluss anderer synchroner Quellen und verbessert so die Lokalisation. Drittens adressiert die neu eingeführte Methode Wedge Music die Frage, welche der vorher bestimmten Quellen wirklich interagieren. Es wird gezeigt, dass sowohl SC Music als auch Wedge Music im Gegensatz zu Maßen die auf dem eigentlichen ImCoh basieren in der Lage sind, Interaktionsunterschiede zwischen verschiedenen experimentellen Bedingungen zu ermitteln. Viertens wird eine Methode zur statistischen Validierung der Ergebnisse vorgestellt. Dies geschieht mit Hilfe von Surrogatdaten, die auf Basis gemessener Daten erzeugt werden. Bei den Surrogatdaten werden jegliche zu Grunde liegende Interaktionen künstlich zerstört, während andere statistische Eigenschaften der Daten erhalten bleiben. Alle angesprochenen Methoden werden theoretisch eingeführt und in Simulationen evaluiert. Weiterhin wird die Anwendbarkeit exemplarisch anhand von echten EEG and MEG Daten demonstriert.de
dc.description.abstractTo understand the functionality of the brain, it is crucial to know how sources of ongoing activity inside the brain interplay. The synchronization of oscillatory signals generated by large populations of neurons has been identified to serve as a communication mechanism. Due to their excellent temporal resolution in the millisecond range and their non-invasiveness, the electrophysiological measurement modalities Electroencephalography (EEG) and Magnetoencephalography (MEG) are well-suited tools to investigate these synchronization effects. However, due to the mixing of source signals inside the brain into measurement sensors outside the head which is called volume conduction, it is neither possible to uniquely reconstruct the sources nor to study relationships among them. Artifacts of volume conduction impede the interpretation of relationships between sensors as well as between estimated sources. Within this thesis a novel series of multivariate data analysis methods is introduced that aims at detecting synchronization between large-scale brain sources robust to any volume conduction artifacts. All methods are based upon the concept of an established connectivity measure called the imaginary part of coherency (ImCoh). The ImCoh neglects instantaneous synchronization effects as they are most likely due to source mixing as true source synchronization usually requires some time to evolve. The computational procedure presented in this thesis is constructed out of four individual methods which can be used sequentially. First, the maximization of the imaginary part of coherency is introduced which leads to an increase of the signal-to-noise ratio for subsequent connectivity analysis and source localization. Furthermore, connectivity measures are derived from this maximization, which are, in contrast to the ImCoh, independent of the particular source mixing. Due to these properties, one of the measures, the Global Interaction Measure (GIM), is used to objectively compare the measurement modalities EEG and MEG. Moreover, the GIM serves as a basis to automatically determine subject specific frequency peaks of synchronization effects. Second, synchronized sources are determined with a novel technique called Self Consistent Multiple Signal Classification (SC Music). It forms an algorithmic improvement over the existing data analysis technique Rap Music (Recursively Applied Multiple Signal Classification) by diminishing the influence of other sources during the localization procedure. Third, a method called Wedge Music is used to address the question which of the sources, prior determined with SC Music, are actually interacting. Additionally, it is shown that both SC and Wedge Music are, in contrast to measures based on the classical ImCoh, capable of examining differences in interaction between different experimental conditions. Fourth, a method is presented to statistically test the results. This is achieved by generating surrogate data from the real data such that data properties are maintained but all interactions are artificially destroyed. All methods are introduced theoretically and are validated in simulations. Finally, the applicability is demonstrated on real EEG and MEG data.en
dc.identifier.uriurn:nbn:de:kobv:83-opus4-59595
dc.identifier.urihttp://depositonce.tu-berlin.de/handle/11303/4568
dc.identifier.urihttp://dx.doi.org/10.14279/depositonce-4271
dc.languageEnglishen
dc.language.isoenen
dc.rights.urihttp://rightsstatements.org/vocab/InC/1.0/en
dc.subject.ddc500 Naturwissenschaften und Mathematiken
dc.subject.otherMultivariate Datenanalysede
dc.subject.otherNeurowissenschaftde
dc.subject.otherSignalverarbeitungde
dc.subject.otherFunctional brain connectivityen
dc.subject.otherMultivariate data analysisen
dc.subject.otherSignal processingen
dc.titleNovel multivariate data analysis techniques to determine functionally connected networks within the brain from EEG or MEG dataen
dc.title.translatedNeue multivariate Datenanalyseverfahren zur Bestimmung von funktionell verknüpften Netzwerken im Gehirn auf der Basis von EEG oder MEG Datende
dc.typeDoctoral Thesisen
dc.type.versionpublishedVersionen
tub.accessrights.dnbfree*
tub.affiliationFak. 4 Elektrotechnik und Informatik>Inst. Softwaretechnik und Theoretische Informatikde
tub.affiliation.facultyFak. 4 Elektrotechnik und Informatikde
tub.affiliation.instituteInst. Softwaretechnik und Theoretische Informatikde
tub.identifier.opus45959
tub.publisher.universityorinstitutionTechnische Universität Berlinen
Files
Original bundle
Now showing 1 - 1 of 1
Loading…
Thumbnail Image
Name:
ewald_arne.pdf
Size:
9.15 MB
Format:
Adobe Portable Document Format
Description:
Collections