Fúze simultánních EEG-FMRI dat za pomoci zobecněných spektrálních vzorců

Abstract

Mnoho rozdílných strategií fúze bylo vyvinuto během posledních 15 let výzkumu simultánního EEG-fMRI. Aktuální dizertační práce shrnuje aktuální současný stav v oblasti výzkumu fúze simultánních EEG-fMRI dat a pokládá si za cíl vylepšit vizualizaci úkolem evokovaných mozkových sítí slepou analýzou přímo z nasnímaných dat. Dva rozdílné modely, které by to měly vylepšit, byly navrhnuty v předložené práci (tj. zobecněný spektrální heuristický model a zobecněný prostorovo-frekvenční heuristický model). Zobecněný frekvenční heuristický model využívá fluktuace relativního EEG výkonu v určitých frekvenčních pásmech zprůměrovaných přes elektrody zájmu a srovnává je se zpožděnými fluktuacemi BOLD signálů pomocí obecného lineárního modelu. Získané výsledky ukazují, že model zobrazuje několik na frekvenci závislých rozdílných úkolem evokovaných EEG-fMRI sítí. Model překonává přístup fluktuací absolutního EEG výkonu i klasický (povodní) heuristický přístup. Absolutní výkon vizualizoval s úkolem nesouvisející širokospektrální EEG-fMRI komponentu a klasický heuristický přístup nebyl senzitivní k vizualizaci s úkolem spřažené vizuální sítě, která byla pozorována pro relativní pásmo pro data vizuálního oddball experimentu. Pro EEG-fMRI data s úkolem sémantického rozhodování, frekvenční závislost nebyla ve finálních výsledcích tak evidentní, neboť všechna pásma zobrazily vizuální síť a nezobrazily aktivace v řečových centrech. Tyto výsledky byly pravděpodobně poškozeny artefaktem mrkání v EEG datech. Koeficienty vzájemné informace mezi rozdílnými EEG-fMRI statistickými parametrickými mapami ukázaly, že podobnosti napříč různými frekvenčními pásmy jsou obdobné napříč různými úkoly (tj. vizuální oddball a sémantické rozhodování). Navíc, koeficienty prokázaly, že průměrování napříč různými elektrodami zájmu nepřináší žádnou novou informaci do společné analýzy, tj. signál na jednom svodu je velmi rozmazaný signál z celého skalpu. Z těchto důvodů začalo být třeba lépe zakomponovat informace ze svodů do EEG-fMRI analýzy, a proto jsme navrhli více obecný prostorovo-frekvenční heuristický model a také jak ho odhadnout za pomoci prostorovo-frekvenční skupinové analýzy nezávislých komponent relativního výkonu EEG spektra. Získané výsledky ukazují, že prostorovo-frekvenční heuristický model vizualizuje statisticky nejvíce signifikantní s úkolem spřažené mozkové sítě (srovnáno s výsledky prostorovo-frekvenčních vzorů absolutního výkonu a s výsledky zobecněného frekvenčního heuristického modelu). Prostorovo-frekvenční heuristický model byl jediný, který zaznamenal s úkolem spřažené aktivace v řečových centrech na datech sémantického rozhodování. Mimo fúzi prostorovo-frekvenčních vzorů s fMRI daty, jsme testovali stabilitu odhadů prostorovo-frekvenčních vzorů napříč různými paradigmaty (tj. vizuální oddball, semantické rozhodování a resting-state) za pomoci k-means shlukovacího algoritmu. Dostali jsme 14 stabilních vzorů pro absolutní EEG výkon a 12 stabilních vzorů pro relativní EEG výkon. Ačkoliv 10 z těchto vzorů vypadají podobně napříč výkonovými typy, prostorovo-frekvenční vzory relativního výkonu (tj. vzory prostorovo-frekvenčního heuristického modelu) mají vyšší evidenci k úkolům.

Lots of different data fusion strategies have been developed during last 15 years of simultaneous EEG-fMRI research. The current doctoral thesis summarizes the actual state of the art in EEG-fMRI data fusion research and puts a goal to improve task-related network visualizations blindly directly from the acquired data. Two different models which should improve it have been proposed within the thesis (i.e. generalized spectral heuristic model and generalized spatiospectral heuristic model). Generalized spectral heuristic model utilizes relative EEG power fluctuations in distinct frequency bands averaged over electrodes of interest and compares the fluctuations with delayed BOLD signal fluctuations via general liner model. The obtained results shows that the model visualizes several different frequency dependent task-related EEG-fMRI networks. The model overcomes the absolute power fluctuation approach and classic heuristic approach too. The absolute power visualized a task-not-related broadband EEG-fMRI component and classic heuristic model was insensitive to visualize the task-related visual network which was observed for the relative -band pattern for visual oddball task data. For the semantic decision task EEG-fMRI data, the frequency dependence was not so evident in final results. Since all the bands visualized only visual network and any areas of speech network, the results were possibly corrupted by not-suppressed eye-blinking artifact in EEG data. Mutual information coefficients between different EEG-fMRI statistical parametric maps showed that the similarities over different frequency bands are similar over different tasks (i.e. visual oddball and semantic decision). More, the coefficients proved that averaging over different electrodes of interest does not bring any new information into the joint analysis, i.e. the signal on one single lead is very smoothed signal from the whole scalp. For that reasons, better incorporation of the channel information into the EEG-fMRI analysis started to be necessary and we have proposed more general spatiospectral heuristic model and designed how to estimate the model with spatiospectral Group Independent Component Analysis of EEG spectra relative power. The obtained results show that spatiospectral heuristic model visualizes the statistically most significant task-related networks (compared to absolute power spatiospectral pattern results and generalized spectral heuristic model results). The spatiospectral heuristic model was the only one, which observed task-related activations in a speech areas for semantic decision data. Beyond the fusion of EEG spatiospectral patterns with fMRI data, we have tested the stability of the spatiospectral pattern estimates over different paradigms (i.e. visual oddball, semantic decision and resting-state) with k-means clustering algorithm. We have got 14 stable patterns for the absolute EEG power and 12 stable patterns for the relative EEG power. Although ten of the patterns appear similar over the power types, the relative power spatiospectral patterns (i.e. spatiospectral heuristic model patterns) have higher evidence to tasks.