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

Search

Browse

My Space

EEG source localization on different realistic brain anatomies using deep learning techniques

Kolomvaki Afroditi

Simple record


URIhttp://purl.tuc.gr/dl/dias/769A274A-D943-4C61-9DF3-BF88EE137E5D-
Identifierhttps://doi.org/10.26233/heallink.tuc.99945-
Languageen-
Extent88 pagesen
TitleEEG source localization on different realistic brain anatomies using deep learning techniquesen
TitleΕντοπισμός πηγών ηλεκτροεγκεφαλογραφήματος διαφορετικών ρεαλιστικών ανατομιών εγκεφάλου με τη χρήση τεχνικών βαθιάς μάθησηςel
CreatorKolomvaki Afroditien
CreatorΚολομβακη Αφροδιτηel
Contributor [Thesis Supervisor]Zervakis Michailen
Contributor [Thesis Supervisor]Ζερβακης Μιχαηλel
Contributor [Committee Member]Liavas Athanasiosen
Contributor [Committee Member]Λιαβας Αθανασιοςel
Contributor [Committee Member]Wolters Carsten H.‏ en
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 technique used to record the electrical activity of the brain and is commonly used in medical settings to diagnose and monitor conditions such as epilepsy, sleep disorders, and brain injuries. It involves placing electrodes on the scalp, which detect the electrical signals produced by the brain. One of the main challenges in interpreting these EEG signals is to identify the underlying neural sources responsible for generating the measured scalp potentials. This is known as EEG source analysis or EEG inverse problem. Various numerical methods exist to address this inverse problem, but they require considerable computational time and often depend heavily on prior assumptions. Recently, neural networks have been suggested as a solution, but their training often relies on suboptimal forward modeling and they struggle to localize EEG signals across different brain anatomies and multiple brain electrical activations. In this study, we introduce a Convolutional Neural Network (CNN) architecture that is independent of the brain source space model and trained using realistic head models calibrated for skull conductivity. It is capable of solving the inverse problem for up to three active brain sources on different realistic brain anatomies. The results indicate that our CNN outperforms traditional numerical methods like sLORETA.en
Content SummaryΤο ηλεκτροεγκεφαλογάφημα είναι μια μέθοδος που χρησιμοποιείται για τη καταγραφή της ηλεκτρικής δραστηριότητας του εγκεφάλου και χρησιμοποιείται για τη διαγνωση και παρακολούθηση παθήσεων όπως η επιληψία, οι διαταραχές ύπνου ή και οι κρανιοεγκεφαλικες κακώσεις. Η καταγραφή αυτή των ηλεκτρικών σημάτων που παράγει ο εγκέφαλος γίνεται με τη χρήση ηλεκτροδίων, τα οποία τοποθετούνται πάνω στο δέρμα της κεφαλής. Μια από τις κύριες δυσκολίες όσον αφορά την ερμηνεία αυτών των σημάτων, είναι η ταυτοποίηση των περιοχών μέσα στον εγκέφαλο που εμφάνισαν ηλεκτρική δραστηριότητα και προκάλεσαν τις αντίστοιχες μετρήσεις στο ηλεκτροεγκεφαλογάφημα. Αυτό είναι γνωστό ως το αντίστροφο πρόβλημα. Υπάρχουν πολλές μέθοδοι για την επίλυση του αντίστροφου προβλήματος αλλά απαιτούν πολύ υπολογιστικό χρόνο ή εξαρτώνται σε μεγάλο βαθμό από υποθέσεις που μπορεί να μην είναι σωστές και ακριβείς. Πρόσφατα, τα νευρωνικά δίκτυα έχουν προταθεί σαν μια λύση του αντίστροφου προβλήματος αλλά η εκπαίδευση τους συχνά βασίζεται σε υποβέλτιστη μοντελοποίηση του προβλήματος, ενω παράλληλα δυσκολεύονται να λύσουν το αντίστροφο πρόβλημα σε διαφορετικές ανατομίες εγκεφάλου και στην περίπτωση που παραπάνω απο μια πηγές παρουσιάζουν εγκεφαλική δραστηριότητα. Σε αυτή τη διπλωματική, παρουσιάζουμε ενα συνελικτικό νευρωνικό δίκτυο, το οποίο έχει εκπαιδευτεί σε διαφορετικές ρεαλιστικές ανατομίες εγκεφάλου και μπορεί να λύσει το αντίστροφο πρόβλημα για εως και τρείς πηγές στον εγκέφαλο σε διαφορετικές ρεαλιστικές ανατομίες. Σύμφωνα με τα αποτελέσματα, η μέθοδος μας αποδίδει καλύτερα σε σχέση με παραδοσιακές αριθμιτικές μεθόδους οπως η sLORETA.el
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2024-06-12-
Date of Publication2024-
SubjectMultiple sourcesen
SubjectAnalysisen
SubjectSourceen
SubjectEEGen
Bibliographic CitationAfroditi Kolomvaki, "EEG source localization on different realistic brain anatomies using deep learning techniques", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2024en
Bibliographic CitationΑφροδίτη Κολομβάκη, "Εντοπισμός πηγών ηλεκτροεγκεφαλογραφήματος διαφορετικών ρεαλιστικών ανατομιών εγκεφάλου με τη χρήση τεχνικών βαθιάς μάθησης", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024el

Available Files

Services

Statistics