Analysis of magnetoencephalographic signals from children with reading difficulties using realistic head modeling and machine learning. Analysis of magnetoencephalographic signals from children with reading difficulties using realistic head modeling and machine learning. Ανάλυση μαγνητοεγκεφαλογραφήματος σε παιδιά με αναγνωστικές δυσκολίες με χρήση ρεαλιστικών μοντέλων κεφαλής και μηχανικής μάθησης. Διπλωματική Εργασία Diploma Work 2024-07-092024enReading Difficulties are the most common type of learning disability, often manifesting at a young age, including deficits in reading comprehension, word decoding, orthography and phonology. Magnetoencephalography (MEG) is a neuroimaging technique that captures brain activity in millisecond precision. The source analysis of MEG recordings can provide an estimation of the underlying brain activity without being affected by volume conduction effects. An appropriate base to investigate functional connectivity patterns is thus established. In this thesis, resting state MEG recordings from 40 Non-Impaired (NI) children and 26 children with Reading Difficulties (RD) are analyzed with the goal to estimate the intra-, inter- and dominant frequency-based brain interactions and successfully classify them between NI and RD groups. Initially, source location is performed using beamforming techniques and realistic head modeling. Using intra-frequency and inter-frequency phase synchronization metrics on a time-varying fashion, source interactions are estimated. The dominant frequency coupling is also estimated to further reveal the maximum coupling source interaction. Symbolic time-series and their complexity index are then estimated. A comparison of the Inter-, Intra- and Dominant frequency approaches is conducted, by analysing the brain networks across brain regions, as well as their FCmstates. From the results, it is indicated that the dominant frequency (δ-β) provides a more accurate depiction of the differences between groups across brain regions and FCmstates. By employing the machine learning approaches k-Nearest Neighbors (κ-ΝΝ) and Support Vector Machine (SVM) on the dominant frequency, a high classification performance (Accuracy > 96 %) is observed. Highly accurate classification is also achieved across all the examined phase synchronization metrics. The present thesis thus paves the way for future non-invasive diagnostic systems for identifying reading difficulties in childhood.Οι Δυσκολίες στην Ανάγνωση είναι ο πιο συνηθισμένος τύπος μαθησιακής δυσκολίας, οι οποίες εμφανίζονται συχνά σε νεαρή ηλικία. Τα συμπτώματα που παρουσιάζονται αφορούν ελλείψεις στην κατανόηση και ανάγνωση κειμένων, στην αποκωδικοποίηση των λέξεων, στην ορθογραφία και στη φωνολογία. Η Μαγνητοεγκεφαλογραφία (MEG) είναι μια νευροεικονική τεχνική που απαθανατίζει τη δραστηριότητα του εγκεφάλου με ακρίβεια χιλιοστών του δευτερολέπτου. Η ανάλυση των πηγών των καταγεγραμμένων σημάτων MEG μπορεί να παρέχει μια ακριβή εκτίμηση της υποκείμενης δραστηριότητας του εγκεφάλου, χωρίς να επηρεάζεται από τις επιδράσεις της αγωγιμότητας μεταξύ των ιστών. Έτσι δημιουργείται μια κατάλληλη βάση για τη μελέτη των μοτίβων της λειτουργικής συνδεσιμότητας του εγκεφάλου. Σε αυτή τη διπλωματική, μέσα από την ανάλυση των, καταγεγραμμένων σε κατάσταση ηρεμίας, σημάτων MEG από 40 παιδιά υγιή(NI) και 26 παιδιά με δυσκολίες στην ανάγνωση (RD), εκτιμώνται οι αλληλεπιδράσεις μεταξύ περιοχών του εγκεφάλου σε προσεγγίσεις εσωτερικής, ενδιάμεσης και την κυρίαρχης συχνότητας, με τελικό σκοπό την επιτυχή κατηγοριοποίηση των ατόμων μεταξύ των ομάδων NI και RD. Αρχικά, γίνεται ο εντοπισμός των πηγών, χρησιμοποιώντας τεχνικές beamforming και χρήση ρεαλιστικού μοντέλου κεφαλής. Στην συνέχεια, με τη χρήση μετρικών συγχρονισμού φάσης, εκτιμώνται οι αλληλεπιδράσεις των πηγών σε εσωτερική και ενδιάμεση συχνότητα σε μεταβλητό χρόνο. Εκτιμάται επίσης, η κυρίαρχη συχνότητα για να αποκαλυφθεί περαιτέρω η μέγιστη αλληλεπίδραση των πηγών. Τέλος, κατασκευάζονται οι συμβολικές χρονοσειρές και υπολογίζεται ο δείκτης πολυπλοκότητάς του δικτύου. Πραγματοποιείται σύγκριση των προσεγγίσεων Ενδιάμεσης, Εσωτερικής και Κυρίαρχης συχνότητας, αναλύοντας τα εγκεφαλικά δίκτυα σε όλες τις περιοχές του εγκεφάλου, καθώς και στις καταστάσεις λειτουργικής συνδεσιμότητας(fcmstates). Από τα αποτελέσματα, φαίνεται ότι η κυρίαρχη συχνότητα (δ-β) παρέχει μια πιο ακριβή απεικόνιση των διαφορών μεταξύ των ομάδων σε όλες τις περιοχές του εγκεφάλου και τις καταστάσεις. Με τη χρήση αλγορίθμων μηχανικής μάθησης K-Κοντινότεροι Γείτονες (κ-ΝΝ) και Μηχανών Διανυσμάτων Υποστήριξης (SVM) στην κυρίαρχη συχνότητα, παρατηρείται υψηλή απόδοση κατηγοριοποίησης (Ακρίβεια > 96%). Επιτυγχάνεται επίσης υψηλή ακρίβεια κατηγοριοποίησης σε όλες τις εξεταζόμενες μετρικές συγχρονισμού φάσης. Η παρούσα διπλωματική θέτει έτσι τις βάσεις για μελλοντικά μη επεμβατικά συστήματα διάγνωσης, για την ανίχνευση δυσκολιών στην ανάγνωση στην παιδική ηλικία.http://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών ΥπολογιστώνDourida_Maria-Aikaterini_Dip_2024.pdfChania [Greece]Library of TUC2024-07-09application/pdf5.0 MBfree Dourida Maria-Aikaterini Δουριδα Μαρια-Αικατερινη Zervakis Michail Ζερβακης Μιχαηλ Liavas Athanasios Λιαβας Αθανασιος Christopoulos Dionysios Χριστοπουλος Διονυσιος Πολυτεχνείο Κρήτης Technical University of Crete Reading difficulties Magnetoencephalography Source analysis Dynamic functional connectivity Network microstates Machine learning