Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Electromagnetic brain source analysis with statistical and deep learning approaches

Delatolas Athanasios

Simple record


URIhttp://purl.tuc.gr/dl/dias/F8D3A4EA-1D11-4F29-B1B6-114B947295D6-
Identifierhttps://doi.org/10.26233/heallink.tuc.92520-
Languageen-
Extent11.3 megabytesen
Extent78 pagesen
TitleElectromagnetic brain source analysis with statistical and deep learning approachesen
TitleΗλεκτρομαγνητική εύρεση εγκεφαλικών πηγών με στατιστικές και βαθιάς μάθησης προσεγγίσειςel
CreatorDelatolas Athanasiosen
CreatorΔελατολας Αθανασιοςel
Contributor [Thesis Supervisor]Zervakis Michailen
Contributor [Thesis Supervisor]Ζερβακης Μιχαηλel
Contributor [Committee Member]Liavas Athanasiosen
Contributor [Committee Member]Λιαβας Αθανασιοςel
Contributor [Committee Member]Carsten H. Woltersen
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Electrical and Computer Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
Content SummaryElectroencephalography (EEG) is a well-established non-invasive recording method for the brain's functional activity. EEG uses an array of electrodes placed on the scalp to record electrical potential signals. EEG provides high temporal but low spatial resolution of brain activity. To gain insight about the spatial dynamics of the EEG, one has to solve the inverse problem of Source Analysis, that is, to find the neural sources that give rise to the recorded EEG activity. There are many existing numerical methods for solving the inverse problem but most of them strongly rely on priors and require significant amount of computational time. Recently, neural networks have been proposed to resolve these issues but their training is based on suboptimal forward modeling and they cannot localize EEG recordings in various brain anatomies. Here, we present a new CNN architecture which is independent of the modeled brain source space and its training is based on realistic and skull-conductivity calibrated head modeling. The performance of our CNN is validated with simulated EEG data and real EEG somatosensory evoked potentials for the first neurological component at 20 ms (P20/N20 response) from three healthy subjects. Our network has localized the P20/N20 component at the subject-specific Brodmann area 3b. Finally, the results suggest that our CNN outperforms the traditional numerical methods.en
Content SummaryΤο Ηλεκτροεγκεφαλογράφημα (ΗΕΓ) είναι μια καθιερωμένη μη επεμβατική μέθοδος καταγραφής της λειτουργικής δραστηριότητας του εγκεφάλου. Το ΗΕΓ χρησιμοποιεί ηλεκτρόδια τοποθετημένα στο κεφάλι για την καταγραφή ηλεκτρικού δυναμικού. Το ΗΕΓ παρέχει υψηλή χρονική αλλά χαμηλή χωρική ανάλυση της εγκεφαλικής δραστηριότητας. Για να αποκτήσουμε μια καλύτερη εικόνα της χωρικής ανάλυσης της εγκεφαλικής δραστηριότητας, πρέπει να λυθεί το αντίστροφο πρόβλημα της Source Analysis το οποίο αποτελεί τον εντοπισμό των νευρικών πηγών που δημιούργησαν το ΗΕΓ. Υπάρχουν πολλές μέθοδοι για την επίλυση του αντιστρόφου προβλήματος αλλά βασίζονται σε υποθέσεις και απαιτούν αρκετό υπολογιστικό χρόνο. Πρόσφατα, έχουν δημιουργηθεί νευρωνικά δίκτυα για την επίλυση των παραπάνω προβλημάτων αλλά η εκπαίδευση τους είναι βασισμένη σε μη-βέλτιστη μοντελοποίηση του ευθύ προβλήματος και δεν μπορούν να λύσουν το αντίστροφο πρόβλημα για διαφορετικές ανατομίες του ανθρώπινου εγκεφάλου. Σε αυτή τη διπλωματική εργασία, παρουσιάζεται ένα νέο συνελικτικό νευρωνικό δίκτυο (CNN) το οποίο είναι ανεξάρτητο του εγκεφαλικού χώρου νευρικών πηγών και η εκπαιδευσή του είναι βασιζομένη σε ρεαλιστική και βαθμονομημένη μοντελοποίηση κεφαλής με αγωγιμότητα κρανίου. Η απόδοση του CNN επικυρώνεται με προσομοιωμένα δεδομένα ΗΕΓ και με πραγματικά ΗΕΓ για το πρώτο νευρολογικό στοιχείο στα 20 ms (απόκριση P20/N20) σε τρία υγιή άτομα. Το νευρωνικό δίκτυο εντοπίζει το στοιχείο P20/N20 στην περιοχή Brodmann 3b. Τέλος, τα αποτελέσματα υποδηλώνουν ότι το CNN μας ξεπερνά τις παραδοσιακές αριθμητικές μεθόδους.el
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2022-06-24-
Date of Publication2022-
SubjectSource Analysisen
SubjectEEGen
SubjectDeep learningen
Bibliographic CitationAthanasios Delatolas, "Electromagnetic brain source analysis with statistical and deep learning approaches", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2022en
Bibliographic CitationΑθανάσιος Δελατόλας, "Ηλεκτρομαγνητική εύρεση εγκεφαλικών πηγών με στατιστικές και βαθιάς μάθησης προσεγγίσεις", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2022el

Available Files

Services

Statistics