Επεξεργασία MEG με BSS/ICA και χρήση predictive model.

Abstract

Η συγκεκριμένη εργασία πραγματοποιήθηκε με σκοπό την ανάπτυξη μιας μεθόδου εξόρηξης των Προκλητών Δυναμικών-EPs που περιέχονται στα ΙCs (τις Ανεξάρτητες Συνιστώσες) από κάθε πειραματική δοκιμή. Τα EPs είναι αποκρίσεις σημάτων μικρου πλάτους, τα οποία δημιουργούνται κατά τη διάρκεια των πειραμάτων μνήμης. Τα EPs είναι γραμμικές μείξεις με μεγάλα σήματα, όπως το εγκεφαλογράφημα (EEG) και ο θόρυβος, που διακινούνται εντός του κρανίου. Ο Διαχωρισμός Πηγών στα Τυφλά (BSS) με χρήση της Αναλυσης Ανεξάρτητων Πηγών (ICA) επιτυγχάνεται συμφωνα με τη θεωρία περί Μεγιστοποιήσης της Πληροφορίας (InfoMax). Ο InfoMax χρησιμοποιήται ώστε να διαχωρίσει τις συνιστώσες των EPs από τα καταγεγγραμένα σήματα. Η ICA είναι μια τεχνική ΒSS που ανακτά Ν ανεξαρτητες (χρονικά) πηγές s=[s1(t),...Sn(t)] από Ν γραμμικές μείξεις, x=[x1(t),...,xm(t)]. Οι μίξεις είναι αποτέλεσμα του πολλαπλασιασμού του πίνακα των άγνωστων πηγών s με ένα αγνωστο πίνακα Α (πινακα μείξης), x= A-s. H ICA, μη έχοντας γνώση για τις αρχικές πηγές, αναζητά ένα τετραγωνικό πίνακα W (διαχωριστή/φίλτρο ή πίνακα διαχωρισμού), έτσι οι οι πηγές υπολογίζονται ως εξής: s=W.x. Εκμεταλευόμενοι τα συγκριτικά πλεονεκτήματα που προσφέρει η ICA, εφαρμόζεται μία μέθοδος εξόρηξης Προλητών Δυναμικών με χρήση χρονικών και τοπογραφικών χαρακτηριστικών των ανεξάρτητων συνιστωσών. Η μέθοδος επεξεργάζεται τεχνητά δεδομένα με ήδη γνωστές πηγές και επιστρέφει ομαδοποιημένες προβολές με σκοπό τη διατήρηση μόνο των σημαντικών συνιστωσών που περιέχουν την πληροφορία που παρουσιάζει ιατρικό ενδιαφέρον.

The aim of this work was to develop a reliable method of extracting the independent components of single trial evoked potential (EP) signals, so that features could be derived from them for subject' s bioprofile, and thus be used for diagnostic, prognostic, and monitoring purposes. Single trials are of interest, because conventional averaging conceals trial-to-trial variability and hence information. EPs are response signals, of small amplitude, generated by the brain when evoked during memory experiments. The EPs are linearly mixed within larger signals, such as electroencephalogram (EEG) signals, and other background noise as they travel to thescalp, where they are measured. The imax algorithm, which incorporates the theories of information maximization and Blind Source Separation (BSS) by Independent Component Analysis (ICA), is adopted to tackle the problem of separating the EP components from the measured signals. ICA is a technique for BSS to recover N temporally independent source signals s=[s1(t),...Sn(t)] from N linear mixtures (the observations), x=[x1(t),...,xm(t)] modeled as the results of multiplying the matrix of unknown sources s by an unknown matrix A (mixing matrix), x= A-s. ICA with a given minimal a priori knowledge of the nature of sources, seeks a square matrix W (unmixing/filter or separation matrix) so that the estimated sources can be calculated: s=W.x. Taking into advance the effectiveness of ICA it is suggested a method in order to group the components based on their latencies and topographies. The analysis has been applied to EEG simulated data with localized activity.