Spatiaalisen ikkunoinnin ja sokean signaalinerottelun menetelmien hyödyntäminen MEG-aineiston analysoinnissa
Sokean signaalinerottelun menetelmät ovat käyttökelpoisia magnetoenkefalografilla mitattujen aivomagneettikäyrien analysoinnissa. Sokean signaalinerottelun menetelmien avulla voidaan selvittää, mistä aivoaktivaatio on peräisin ja millaisiin toimintoihin aktivaatio voidaan yhdistää. MEG-aineiston ajallinen tarkkuus on hyvä, joten lyhytkin mittausaika tuottaa hyvin suuren aineiston.
Suuren aineiston tuottamat laskennalliset ongelmat voidaan kiertää ikkunoimalla MEG-aineisto aika- tai tilasuunnassa. Aineiston ikkunointia on sovellettu aiemmissa tutkimuksissa toiminnallisen magneettikuvauksen aineistoon, jolloin ikkunointi on tehty aikasuunnassa. Tässä tutkielmassa ikkunointia sovellettiin MEG-aineistoon tilasuunnassa, jolloin kaikkien MEG-sensorien yhtäaikaisen analysoinnin sijaan käytetään vain osaa sensoreista kerrallaan. Tällöin moniulotteiseen MEG-aineistoon voidaan käyttää sokean signaalinerottelun menetelmiä pienemmissä osioissa ja MEG-aineistosta voidaan löytää vaikeasti erotettavissa olevia, pieniamplitudisia lähdesignaaleja.
Spatiaalisen ikkunoinnin hyödyllisyyttä tutkittiin simulointiasetelman ja MEG-aineiston avulla. Simulointiasetelmassa pyrittiin selvittämään, onko ikkunointimenetelmästä hyötyä sokean signaalinerottelun menetelmiä sovellettaessa. Simulointi toteutettiin MEG-mittausasetelmaa mukaillen. MEG-aineisto koostui yhden koehenkilön noin neljän minuutin MEG-mittauksesta, jossa tarkoituksena oli kontrolloida koehenkilön näköjärjestelmän toimintaa.
Simulointiasetelman tulosten perusteella spatiaalisesta ikkunoinnista on hyötyä sokean signaalinerottelun menetelmistä erityisesti riippumattomien komponenttien analyysin (ICA) käytön yhteydessä, eikä ikkunoinnista ole ainakaan haittaa toisen asteen lähde-erottelumallin (SOS) käytön yhteydessä. MEG-aineiston tapauksessa ikkunointi ei herätevasteiden tasolla pystynyt erottelemaan haluttua lähdesignaalia tarkasti, mutta lähdesignaaleiden topografiat vastasivat oletetunlaisia lähdesignaalien jakaumia.
...
Keywords
Metadata
Show full item recordCollections
- Pro gradu -tutkielmat [29054]
Related items
Showing items with similar title or keywords.
-
Spatial source phase : A new feature for identifying spatial differences based on complex-valued resting-state fMRI data
Qiu, Yue; Lin, Qiu-Hua; Kuang, Li-Dan; Gong, Xiao-Feng; Cong, Fengyu; Wang, Yu-Ping; Calhoun, Vince D. (John Wiley & Sons, Inc., 2019)Spatial source phase, the phase information of spatial maps extracted from functional magnetic resonance imaging (fMRI) data by data‐driven methods such as independent component analysis (ICA), has rarely been studied. ... -
Generation of stimulus features for analysis of FMRI during natural auditory experiences
Tsatsishvili, Valeri; Cong, Fengyu; Ristaniemi, Tapani; Toiviainen, Petri; Alluri, Vinoo; Brattico, Elvira; Nandi, Asoke (IEEE, 2014)In contrast to block and event-related designs for fMRI experiments, it becomes much more difficult to extract events of interest in the complex continuous stimulus for finding corresponding blood-oxygen-level ... -
The squared symmetric FastICA estimator
Miettinen, Jari; Nordhausen, Klaus; Oja, Hannu; Taskinen, Sara; Virta, Joni (Elsevier BV; European Association for Signal Processing, 2017)In this paper we study the theoretical properties of the deflation-based FastICA method, the original symmetric FastICA method, and a modified symmetric FastICA method, here called the squared symmetric FastICA. This ... -
Examining stability of independent component analysis based on coefficient and component matrices for voxel-based morphometry of structural magnetic resonance imaging
Zhang, Qing; Hu, Guoqiang; Tian, Lili; Ristaniemi, Tapani; Wang, Huili; Chen, Hongjun; Wu, Jianlin; Cong, Fengyu (Springer Netherlands, 2018)Independent component analysis (ICA) on group-level voxel-based morphometry (VBM) produces the coefficient matrix and the component matrix. The former contains variability among multiple subjects for further statistical ... -
KernelICA : Kernel Independent Component Analysis
Koesner, Christoph L.; Nordhausen, Klaus (CRAN - The Comprehensive R Archive Network, 2021)The kernel independent component analysis (kernel ICA) method introduced by Bach and Jordan (2003) . The incomplete Cholesky decomposition used in kernel ICA is provided as separate function.