Zpracování fMRI dat s využitím souběžně snímaného EEG signálu

Ing. Radek Mareček, Ph.D.

Doctoral thesis

fMRI data processing with usage of simultaneously acquired EEG

Abstract:

Úvod. Fluktuace výkonu EEG spektra jsou často používaným modelem neurální aktivity. Tato disertační práce hodnotila vlastnosti metody Parallel Factor Analysis (PARAFAC), která obecně slepě dekomponuje multi-dimenzionální data, a v případě EEG spektra odhaduje prostorově-časově-spektrální vzorce EEG aktivity (STSp). Hlavními cíli bylo zjistit, zda PARAFAC dokáže v EEG spektru slepě identifikovat neurální aktivitu, zda je dekompozice stabilní v čase, a napříč subjekty, a ohodnotit stabilitu souvislostí mezi STSp a funkčními sítěmi v lidském mozku. Byly porovnány dva algoritmy – Alternating Least Squares (ALS) a algoritmus založený na variační bayesovské statistice (VB). PARAFAC byl použit k identifikaci projevů změněných funkčních sítí v EEG datech u pacientů s epilepsií spánkového laloku. Metody. Oba algoritmy byly porovnány na základě souboru simulovaných dat a párového testu aplikovaného na metriku, jež hodnotila podobnost skutečných a odhadnutých komponent. VB algoritmus byl poté použit na EEG-fMRI data 38 osob, která byla nasnímána v kontextu řešení sémantické úlohy. Pomocí lineárního modelu bylo otestováno, zda některé STSp souvisí se stimulací. Další soubor resting-state EEG-fMRI dat od 50 zdravých osob byl rozdělen na několik podsouborů, a použit pro vyhodnocení stability dekompozice. Podobnost výsledných STSp získaných z jednotlivých podsouborů byla hodnocena pomocí korelačního koeficientu. Pro vyhodnocení stability souvislosti mezi aktivitou funkčních sítí a STSp byly porovnány první a druhá polovina časových signatur STSp s první a druhou polovinou časových signatur aktivity funkčních sítí ve fMRI. PARAFAC byl dále aplikován na data 14 zdravých osob a 14 pacientů s epilepsií spánkového laloku. Výsledné STSp byly použity pro identifikaci korespondujících funkčních sítí ve fMRI, a byla porovnána míra jejich aktivity mezi oběma skupinami. Výsledky. VB algoritmus odhadoval skutečné komponenty přesněji než ALS především v případě, kdy počet odhadovaných komponent převyšoval počet skutečných (p<0.05). VB algoritmus dále nalezl v EEG datech STSp, které reflektovaly neurální aktivitu související se stimulací (p<0.05), aktivitu funkčních sítí, či projevy artefaktů v EEG. Výsledky na resting-state datech potvrdily vysokou míru stability dekompozice jak v čase, tak mezi subjekty. Dále byly nalezeny dvojice STSp/funkční síť, které vykazovaly v čase stabilní souvislost. V případě standardně používaných frekvenčních pásem takové dvojice potvrzeny nebyly. V datech od 14 pacientů a 14 kontrol byla identifikována STSp, která reflektovala aktivitu default mode sítě, a byla signifikantně výraznější u pacientů v porovnání se zdravými osobami. Závěr. VB algoritmus vykazuje přesnější odhad než ALS. PARAFAC model dokáže slepě identifikovat neurální aktivitu v EEG spektru a zároveň ji odděluje od arteficiálních složek. STSp odhadnuté PARAFAC modelem jsou vysoce stabilní v čase i mezi subjekty, a zdá se, že jsou lepším modelem neurální aktivity než obvykle používaná aktivita v oddělených standardních frekvenčních pásmech. PARAFAC je zajímavý nástroj pro popis struktury EEG spektra, a mohl by přinést nové poznatky ve zkoumání fyziologie vztahu mezi EEG aktivitou a hemodynamickými fluktuacemi funkčních sítí jak u zdravých jedinců tak u pacientů s neurologickou poruchou.

Abstract:

Background. Power fluctuations of scalp EEG spectrum is a frequently used marker of neural activity. Our work aims on evaluating a multiway-array decomposition model called Parallel Factor Analysis (PARAFAC) which decomposes EEG spectrum into set of components called spatial-temporal-spectral patterns (STSp). Specifically, we evaluated its ability to identify neural activity in EEG spectrum, its stability over time and subjects, and stability of correspondence between STSp and large scale brain networks. We compared two estimation algorithms – Alternating Least Squares (ALS) and approach based on Variational Bayesian statistics (VB). We used PARAFAC to find EEG signature of functional connectivity impairment in patients with temporal lobe epilepsy. Methods. The algorithms were compared using set of simulated data and paired test on Median of Correlation metric which evaluates similarity between true and estimated components. The VB algorithm was applied to EEG-fMRI data from 38 healthy subjects acquired in the context of semantic decision task. Resulting STSp were tested for correspondence to stimulation using linear model. Another dataset of resting state EEG-fMRI data from 50 healthy subjects was divided into several subsets which were analysed by PARAFAC. The STSp resulting from all subsets were tested for mutual similarity using correlation coefficient. To assess stability of correspondence between STSp and large scale brain networks the first and second halves of STSp’s time signatures derived from complete dataset were compared to first and second halves of time signatures of large scale brain networks derived from fMRI. Finally, the PARAFAC was applied to EEG data from 14 patients suffering from temporal lobe epilepsy and 14 healthy controls. Resulting STSp were used to find corresponding functional networks in fMRI data and tested for group-difference in portion of explained variability. Results. The VB algorithm outperformed ALS especially in cases when number of estimated components was set higher than true number (p<0.05). The VB algorithm revealed STSp that significantly corresponded to stimulation (p<0.05), other STSp that reflected brain rhythms and other that reflected artifacts in EEG. The results on resting state data show high stability of EEG spectrogram decomposition over time and population. Moreover, we found pairs of STSp and large scale brain networks with correspondence significantly stable in time. We did not find such correspondence in case of common EEG frequency bands. We found an STSp that corresponded to default mode network and explained significantly more variability of EEG in patients when compared to healthy controls (p=0.05). Conclusion. The VB algorithm outperforms ALS. PARAFAC blindly identifies neural activity in EEG spectrum and separates it from artifacts. Moreover, the STSp derived by PARAFAC are highly stable in time and among subjects and seem to be better model of neural activity than commonly used frequency bands. We conclude that PARAFAC is a powerful tool for analysis of the EEG spectrum and might bring novel insight to the relationships between EEG activity and brain hemodynamics in healthy people as well as in neurological patients.

Keywords

multimodální neurozobrazování, EEG-fMRI, funkční sítě v lidském mozku, slepá dekompozice, PARAFAC, epilepsie, multimodal neuroimaging, large scale brain networks, brain rhythms, blind decomposition, epilepsy

Language used: Czech

Date on which the thesis was submitted / produced: 9. 11. 2016

Thesis defence

• Date of defence: 12. 12. 2016
• Supervisor: prof. MUDr. Milan Brázdil, Ph.D.
• Reader: doc. Ing. Daniel Schwarz, Ph.D., doc. Ing. Jan Kremláček, Ph.D., Ing. Pavel Jurák, CSc.

Masaryk University

Faculty of Medicine

Doctoral programme / field:
Neuroscience (4-years) / Neuroscience