| Lizenz: Veröffentlichungsvertrag für Publikationen ohne Print on Demand (9MB) |
- URN zum Zitieren dieses Dokuments:
- urn:nbn:de:bvb:355-epub-358588
Zusammenfassung (Englisch)
Noninvasive neuroimaging techniques like functional Magnetic Resonance Imaging (fMRI) and/or Electroencephalography (EEG) allow researchers to investigate and analyze brain activities during visual processing. EEG offers a high temporal resolution at a level of submilliseconds which can be combined favorably with fMRI which has a good spatial resolution on small spatial scales in the millimeter ...
Zusammenfassung (Englisch)
Noninvasive neuroimaging techniques like functional Magnetic Resonance Imaging (fMRI) and/or Electroencephalography (EEG) allow researchers to investigate and analyze brain activities during visual processing. EEG offers a high temporal resolution at a level of submilliseconds which can be combined favorably with fMRI which has a good spatial resolution on small spatial scales in the millimeter range. These neuroimaging techniques were, and still are instrumental in the diagnoses and treatments of neurological disorders in
the clinical applications. In this PhD thesis we concentrate on lectrophysiological signatures within EEG recordings of a combined EEG-fMRI data set which where taken while performing a contour integration task. The estimation of location and distribution of the electrical sources in the brain from surface recordings which are responsible for interesting EEG waves has drawn the attention of many EEG/MEG researchers. However, this process which is called brain source localization is still one of the major problems in EEG. It consists of solving two modeling problems: forward and inverse. In the forward problem, one is
interested in predicting the expected potential distribution on the scalp from given electrical sources that represent active neurons in the head. These evaluations are necessary to solve the inverse problem which can be defined as the problem of estimating the brain sources that generated the measured electrical potentials. This thesis presents a data-driven analysis of EEG data recorded during a combined EEG/fMRI study of visual processing during a contour integration task. The analysis is based on an ensemble empirical mode decomposition (EEMD) and discusses characteristic features of event related modes (ERMs) resulting from the decomposition. We identify clear differences in certain ERMs in response to contour vs non-contour Gabor stimuli mainly for response amplitudes peaking around 100 [ms] (called P100) and 200 [ms] (called N200) after stimulus onset, respectively. We observe early P100
and N200 responses at electrodes located in the occipital area of the brain, while late P100 and N200 responses appear at electrodes located in frontal brain areas. Signals at electrodes in central brain areas show bimodal early/late response signatures in certain ERMs. Head topographies clearly localize statistically significant response differences to both stimulus conditions. Our findings provide an independent proof of recent models which suggest that
contour integration depends on distributed network activity within the brain.
Next and based on the previous analysis, a new approach for source localization of EEG data based on combining ERMs, extracted with EEMD, with inverse models has been presented. As the first step, 64 channel EEG recordings are pooled according to six brain areas and decomposed, by applying an EEMD, into their underlying ERMs. Then, based upon the problem at hand, the most closely related ERM, in terms of frequency and amplitude, is combined with inverse modeling techniques for source localization. More specifically, the standardized low resolution brain electromagnetic tomography (sLORETA) procedure is
employed in this work. Accuracy and robustness of the results indicate that this approach deems highly promising in source localization techniques for EEG data. Given the results of analyses above, it can be said that EMD is able to extract intrinsic signal modes, ERMs, which contain decisive information about responses to contour and non-contour stimuli. Hence, we introduce a new toolbox, called EMDLAB, which serves the growing interest of the signal processing community in applying EMD as a decomposition technique. EMDLAB can be used to perform, easily and effectively, four common types of EMD: plain EMD, ensemble EMD (EEMD), weighted sliding EMD (wSEMD) and multivariate
EMD (MEMD) on the EEG data. The main goal of EMDLAB toolbox is to extract
characteristics of either the EEG signal by intrinsic mode functions (IMFs) or ERMs. Since IMFs reflect characteristics of the original EEG signal, ERMs reflect characteristics of ERPs of the original signal. The new toolbox is provided as a plug-in to the well-known EEGLAB which enables it to exploit the advantageous visualization capabilities of EEGLAB as well as statistical data analysis techniques provided there for extracted IMFs and ERMs of the signal.
Übersetzung der Zusammenfassung (Deutsch)
Nichtinvasive bildgebendeVerfahren der Hirnforschung wie etwa funktionelleMagnetresonanz-Tomographie (fMRT) oder Elektroenzephalographie (EEG) ermöglichen Forschern die Untersuchung und Analyse von Gehirnaktivitätenwährend der Verarbeitung visueller Information. EEG bietet eine hohe zeitliche Auflösung im sub-Millisekunden Bereich und kann vorteilhaft mit der Funktionellen MRT kombiniert werden, ...
Übersetzung der Zusammenfassung (Deutsch)
Nichtinvasive bildgebendeVerfahren der Hirnforschung wie etwa funktionelleMagnetresonanz-Tomographie (fMRT) oder Elektroenzephalographie (EEG) ermöglichen Forschern die Untersuchung und Analyse von Gehirnaktivitätenwährend der Verarbeitung visueller Information. EEG bietet eine hohe zeitliche Auflösung im sub-Millisekunden Bereich und kann vorteilhaft mit der Funktionellen MRT kombiniert werden, die eine gute räumliche Auflösung im Millimeterbereich bietet. Diese bildgebenden Verfahren waren und sind noch wesentlich für die Diagnose und Therapie neurologischer Erkrankungen in klinischen Behandlungen. In dieser Dissertation liegt das Augenmerk auf elektrophysiologischen Signaturen in EEG Aufzeichnungen eines fMRT-EEG Datensatzes während einer Kontourintegrationsaufgabe. Die Schätzung der räumlichen Verteilung elektrischer Signalquellen im Gehirn hat seit langem das Interesse vieler EEG/MEG – Forscher geweckt. Trotzdem ist diese Quellenlokalisation ein weitgehend ungelöstes Problem der EEG – Forschung. Es umfasst die Lösung zweier Teilprobleme: Der Schätzung der Verteilung elektrischer Aktivitätsherde auf der Schädeloberfläche (Forward problem) und die Lokalisation der ihnen zugrunde liegenden Signalquellen (inverse problem). Im Vorwärtsproblem wird also aus einer angenommenen
räumlichen Verteilung von elektrischen Signalquellen (Dipolquellen) die flächenhafte Verteilung der zugehörigen elektrischen Potentiale auf der Schädeloberfläche geschätzt. Das inverse Problem versucht dagegen aus beobachteten Potentialverteilungen die räumliche Verteilung der zugehörigen Signalquellen zu schätzen. Die Dissertation präsentiert eine Daten-getriebene Analyse von EEG Signalen, die während einer Kontour – Integrationsaufgabe
aufgezeichnet wurden. Die Analyse basiert auf einer empirischen Modenzerlegung und diskutiert charakteristische Merkmale Ereignis-bezogener Moden (ERMs), aus denen
sich die Signale zusammensetzen. Die Analyse kann, bezüglich der beiden Stimulus Paradigmen (Kontour – nicht-Kontour), deutliche Unterschiede in bestimmten ERMs nachweisen. Dies gilt insbesondere für ERMs mit positiven Maxima (P100) etwa 100 ms nach Stimulus
Präsentation bzw. negativen Extrema (N200) ca. 200 ms nach visueller Stimulation. Die Reizantworten P100 und N200 erscheinen in den frontalen Gehirnregionen ca. 70 ms
verzögert gegenüber den entsprechenden Reizantworten, die im visuellen Kortex beobachtbar sind. Reizantworten, die an Elektroden in zentralen Gehirnregionen aufgenommen wurden, zeigen ein bi-modales Verhalten mit einer Signalaufspaltung in eine frühe und eine
späte Reizantwort. Die Ergebnisse von Hypothesentests bzgl. der statistischen Signifikanz der Reizantworten können als topographische Karten visualisiert werden. Sie zeigen klar
eingegrenzte Gebiete erhöhter neuronaler Aktivität im okzipitalen bzw. frontalen Kortex mit klaren Unterschieden bzgl der Stärke der Reizantwort. Diese Befunde liefern einen
unabhängigen Beweis für die These, dass an der Kontourintegration neuronale Netzwerke
beteiligt sind, die über Gebiete im visuellen und frontalen Kortex umfassen. Mit Hilfe der empirischen Modenzerlegung konnte auch eine neue Methode der inversen Modellierung
entwickelt werden, die eine Lokalisation der den beobachteten Potentialverteilungen zugrunde liegenden Signalquellen mit großer Präzision ermöglicht. Für die inverse Modellierung
wurde eine als sLORETA bekannte und bewährte Methode der Quellenlokalisation eingesetzt. Schlieslich wurde noch eine neue Toolbox, EMDLAB genannt, entwickelt, die
dem wachsenden Interesse der EEG Forscher an der empirischen Modenzerlegung Rechnung trägt und geeignete Werkzeuge zur EEG Analyse zur Verfügung stellt. EMDLAB
umfasst viele wichtige EMD Dialekte wie etwa ensemble EMD, weighted sliding EMD und multi-variate EMD. Mit Hilfe der Toolbox können auch wichtige Charakteristika Ereignisbezogener Potentiale oder Ereignis-bezogener intrinsicher Moden gewonnen werden. Die
Toolbox ist in Verbindung mit der weit verbreiteten Toolbox EEGLAB verwendbar und verwendet deren ausgezeichnete Visualisierungsmöglichkeiten und statistischen Analysewerkzeuge
Metadaten zuletzt geändert: 25 Nov 2020 15:40
Nur für Besitzer und Autoren: Kontrollseite des Eintrags
Downloadstatistik