Identifying task-related dynamic electrophysiological brain connectivity

Abstract

How does human cognition emerge from neural dynamics? A proposed hypothesis states that efficient neuronal communication between brain regions through oscillatory synchronization gives the basis for cognitive processing. These synchronized oscillatory networks are transiently forming and dissolving at the timescale of milliseconds to support specific cognitive functions. However, unlike resting-state networks, there is still no appropriate technique for characterizing the complicated organization of such cognitive networks during task performance, especially naturalistic tasks (e.g., music listening). In this thesis, we exploit the high spatiotemporal resolution of electro- or magnetoencephalography (EEG/MEG) to match the rapid timescales of synchronized neural populations and develop EEG/MEG analysis tools to probe the reconfiguration of electrophysiology brain networks during cognitive task performance. In the first study, we applied CANDECOMP/PARAFAC (CP) tensor decomposition to single-trial wavelet-transformed representations of sourcelevel EEG data recorded in a simplified and controlled task, to extract the stimuliinduced oscillatory brain activity. In the second study, by combining spatial Fourier independent component analysis with acoustic feature extraction, we probed the spatial-spectral signatures of brain patterns during continuously listening to natural music. In the third study, we examined the connectivity dynamics during natural speech comprehension via performing principal component analysis on envelope-based connectivity measurements concatenated across time or subjects. In the fourth study, we introduced a novel approach based on CP decomposition to investigate the task-related functional networks with a distinct spectrum during self-peace movement and working memory tasks. Then, we extended this tensor-based method of analyzing network dynamics during natural music listening in the fifth study. In conclusion, these studies introduce novel approaches based on matrix or tensor decomposition to allow for multi-way connectivity analysis considering its non-stationarity, frequency-specificity, and spatial topography. Keywords: naturalistic stimuli, brain networks, functional connectivity, dynamics, frequency-specificity, tensor decomposition

Kuinka kognitio syntyy hermodynamiikasta? Ehdotetun hypoteesin mukaan tehokas hermosolujen välinen viestintä aivoalueiden välillä oskillaatiosynkronoinnin avulla antaa perustan kognitiiviselle prosessoinnille. Nämä synkronoidut värähtelevät verkot ovat ohimeneviä ja dynaamisia millisekuntien ajanjaksossa kognitiivisten toimintojen tukemiseksi. Kuitenkaan ei vieläkään ole sopivaa menetelmää kognitiivisten verkkojen monimutkaisen organisaation karakterisoimiseksi tehtävän suorittamisen aikana, etenkin naturalististen tehtävien yhteydessä. Tässä opinnäytetyössä hyödynnetään sähkö- tai magnetoenkefalografian (EEG / MEG) korkeaa spatiotemporaalista resoluutiota aivojen nopeiden aikataulujen mukauttamiseksi ja kehitetään EEG / MEG-analyysimenetelmiä koettimistehtävien suorittamisen aikana aivoverkkojen elektrofysiologisten määritysten koettamiseksi. Ensimmäisessä tutkimuksessa sovelsimme CANDECOMP / PARAFAC (CP) -tensorihajoamista yksinkertaisen tehtävän yhteydessä tallennetuissa EEGtietojen yhden tutkimuksen aallonmuunnoksilla muunnettuihin esityksiin ärsykkeiden aiheuttaman värähtelevän aivoaktiivisuuden erottamiseksi. Yhdistämällä toisessa tutkimuksessa spatiaalisen Fourier-riippumattoman komponenttianalyysin akustisten ominaisuuksien uuttamiseen, tutkimme aivojen kuvioiden spatiaaliset ja spektriset allekirjoitukset jatkuvan kuunnellen luonnollista musiikkia. Kolmannessa tutkimuksessa tutkimme yhteyksien dynamiikkaa luonnollisen puheen ymmärtämisen aikana suorittamalla pääkomponenttianalyysi kirjekuorepohjaisissa yhteysmittauksissa, jotka on ketjutettu ajan tai aiheiden välillä. Neljännessä tutkimuksessa esittelimme uuden CP-hajoamiseen perustuvan lähestymistavan tutkia tehtävään liittyviä toiminnallisia verkostoja, joilla on selkeä spektri itserauhan liikkeen ja työmuistion aikana. Sitten laajensimme tätä tenoripohjaista menetelmää verkkodynamiikan analysoimiseksi luonnollisen musiikin kuuntelun aikana viidennessä tutkimuksessa. Nämä tutkimukset esittelevät uusia lähestymistapoja, jotka perustuvat matriisin tai tensorin hajoamiseen monisuuntaisen yhteyden analyysin mahdollistamiseksi ottaen huomioon sen epästatsionaarisuus, taajuusspesifisyys ja alueellinen topografia. Asiasanat: naturalistiset ärsykkeet, aivoverkot, toiminnallinen yhteys, dynamiikka, taajuusspesifisyys, tensorin hajoaminen