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 [29743]
License
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. ... -
Correcting variance and polarity indeterminacies of extracted components by canonical polyadic decomposition
Hao, Yuxing; Li, Huanjie; Hu, Guoqiang; Zhao, Wei; Cong, Fengyu (Taylor & Francis, 2024)Background Back-projection has been used to correct the variance and polarity indeterminacies for the independent component analysis. The variance and polarity of the components are essential features of neuroscience ... -
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. -
Blind Source Separation Based on Joint Diagonalization in R : The Packages JADE and BSSasymp
Miettinen, Jari; Nordhausen, Klaus; Taskinen, Sara (Foundation for Open Access Statistics, 2017)Blind source separation (BSS) is a well-known signal processing tool which is used to solve practical data analysis problems in various fields of science. In BSS, we assume that the observed data consists of linear ... -
Harmonization of multi-site functional MRI data with dual-projection based ICA model
Xu, Huashuai; Hao, Yuxing; Zhang, Yunge; Zhou, Dongyue; Kärkkäinen, Tommi; Nickerson, Lisa D.; Li, Huanjie; Cong, Fengyu (Frontiers Media SA, 2023)Modern neuroimaging studies frequently merge magnetic resonance imaging (MRI) data from multiple sites. A larger and more diverse group of participants can increase the statistical power, enhance the reliability and ...