Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Non-linear synchronization methods on magnetoencephalographic (MEG) recordings

Antonakakis Marios

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/4589523D-31DD-4D2C-8983-E40AE8249C1E-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.29031-
Γλώσσαen-
Μέγεθος3,16 megabytesen
ΤίτλοςNon-linear synchronization methods on magnetoencephalographic (MEG) recordings en
ΔημιουργόςAntonakakis Mariosen
ΔημιουργόςΑντωνακακης Μαριοςel
Συντελεστής [Επιβλέπων Καθηγητής]Zervakis Michalisen
Συντελεστής [Επιβλέπων Καθηγητής]Ζερβακης Μιχαληςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Lagoudakis Michaelen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Λαγουδακης Μιχαηλel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Mania Aikaterinien
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Μανια Αικατερινηel
ΕκδότηςTechnical University of Creteen
ΕκδότηςΠολυτεχνείο Κρήτηςel
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electronic and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστώνel
ΠερίληψηCross-frequency coupling (CFC) is thought to represent a basic mechanism of functional integration of neural networks across distant brain regions. Furthermore, several neuroimaging studies have suggested that functional brain connectivity networks exhibit “small-world” characteristics, whereas recent studies based on structural data have proposed a “rich-club” organization of brain networks, whereby nodes of high connection density tend to connect among themselves compared to nodes of lower density. In this study, CFC profiles are analyzed from resting state Magnetoencephalographic (MEG) recordings obtained from 30 mild traumatic brain injury (mTBI) patients and 50 controls. The non-linear synchronization metric, mutual information (MI) is used to quantify the phase-to-amplitude coupling (PAC) of activity among the recording sensors in six nonoverlapping frequency bands. After forming the CFC-based functional connectivity graphs (FCGs), a tensor representation and tensor subspace analysis is employed to identify an set of features with low dimensions for subject classification as mTBI or control. Keeping FCGs from the optimal set of features, an “attack strategy” to is developed to compare the rich-club and small-world organizations and identify the model that describes best the topology of brain connectivity. Results show that the controls form a dense network of stronger local and global connections, indicating higher functional integration compared to mTBI patients. Furthermore, mTBI patients could be separated from controls with more than 90% classification accuracy. Finally, the results suggest that resting state MEG connectivity networks follow a rich-club organization. These findings indicate that the analysis of brain networks computed from resting-state MEG with PAC and tensorial representation of connectivity profiles may provide a valuable biomarker for the diagnosis of mTBI.en
ΤύποςΜεταπτυχιακή Διατριβήel
ΤύποςMaster Thesisen
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2015-09-08-
Ημερομηνία Δημοσίευσης2015-
Θεματική ΚατηγορίαBiomedical signal processingen
Θεματική ΚατηγορίαBiological neural networksen
Θεματική ΚατηγορίαNets, Neural (Neurobiology)en
Θεματική ΚατηγορίαNetworks, Neural (Neurobiology)en
Θεματική ΚατηγορίαNeural nets (Neurobiology)en
Θεματική Κατηγορίαneural networks neurobiologyen
Θεματική Κατηγορίαbiological neural networksen
Θεματική Κατηγορίαnets neural neurobiologyen
Θεματική Κατηγορίαnetworks neural neurobiologyen
Θεματική Κατηγορίαneural nets neurobiologyen
Θεματική ΚατηγορίαGraph theory--Extremal problemsen
Θεματική ΚατηγορίαGraphs, Theory ofen
Θεματική ΚατηγορίαTheory of graphsen
Θεματική Κατηγορίαgraph theoryen
Θεματική Κατηγορίαgraph theory extremal problemsen
Θεματική Κατηγορίαgraphs theory ofen
Θεματική Κατηγορίαtheory of graphsen
Θεματική ΚατηγορίαLearning, Machineen
Θεματική Κατηγορίαmachine learningen
Θεματική Κατηγορίαlearning machineen
Βιβλιογραφική ΑναφοράMarios Antonakakis, "Non-linear synchronization methods on magnetoencephalographic (MEG) recordings ", Master Thesis, School of Electronic and Computer Engineering, Technical University of Crete, Chania, Greece, 2015en

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά