عنوان پایان‌نامه
بررسی ارتباطات مغز در حالت استراحت با استفاده از سیگنال EEG
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 47073;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1814
- تاریخ دفاع
- ۱۰ بهمن ۱۳۸۹
- دانشجو
- احسان مجیدی
- استاد راهنما
- غلامعلی حسین زاده دهکردی
- چکیده
- هدف از این پایان¬نامه، بررسی کارکرد مغز در حالت استراحت با استفاده از سیگنال الکتروانسفالوگرام (EEG) چند کاناله می¬باشد. مطالعات مختلف روی حالت استراحت مغزی با استفاده از تصویربرداری کارکردی تشدید مغناطیسی، وجود یک شبکه¬¬ فعال را شناسایی کرده¬اند که به شبکه حالت پایه (DMN) مشهور است و محدوده¬ی فرکانسی فعالیت این شبکه را، در فرکانس-های پایین، به دست آورده¬اند. EEG، به عنوان روشی غیر تهاجمی، در دسترس و ارزان دارای رزلوشن زمانی منحصربفردی می باشد، با این حال استفاده از آن ، برای بررسی حالت استراحت مغزی، کمتر مورد توجه قرار گرفته است. از آنجا که اثر هدایت الکتریکی حجمی به عنوان مشکلی اساسی در مطالعات ارتباط مطرح می باشد از روشهای همدوسی تاخیری و همدوسی فاز تاخیری، در این پایان¬نامه برای محاسبه¬ی ارتباط بین نواحی مغزی استفاده می شود که در آنها تاخیر زمانی فاز صفر که عمدتا به دلیل هدایت الکتریکی حجمی می باشد، از محاسبه¬ی ارتباط بین نواحی حذف شده¬است. آنالیز و محاسبه¬ی شدت فعالیت منابع EEG، شامل مراحلی همچون حذف EOG، فیلترینگ فرکانس های بالا و حل مسئله¬ی معکوس جهت محاسبه¬ی دامنه¬ی فعالیت منابع EEG، و بررسی عملکرد شبکه حالت پایه با استفاده از پارامترهای گراف، می¬باشد. از آنجا که اجزای شبکه¬ی حالت پایه، شامل نواحی عمقی کورتکس نیز، می باشد، نیاز به روشی مطمئن برای تخمین فعالیت نواحی عمقی تر سطح کورتکس داریم که در این پایان¬نامه از روش sLORETA استفاده شده¬است. به منظور بررسی صحت روش به کار رفته در این پایان¬نامه، داده های EEG، شبیه سازی شده و سپس نتایج تخمین¬زده شده با استفاده از روش این پایان¬نامه با مقادیر واقعی آن مورد ارزیابی قرار گرفته¬است. در نهایت، کارکرد شبکه¬ی حالت استراحت مغزی و عملکرد شبکه¬ی حالت پایه در فرکانس-های پایین مورد بررسی قرار گرفته است. بدین منظور گراف های شبکه حالت پایه و شبکه حالت استراحت را با وزن¬دهی کردن لبه¬های آنها با شدت ارتباطات نواحی مغزی تشکیل می شود که این ارتباطات به طور جداگانه با استفاده از دو روش همدوسی تاخیری و همدوسی فاز تاخیری، محاسبه می شوند. مشاهده شده¬است که شبکه¬ی حالت پایه بازدهی بیشتری نسبت به شبکه¬ی حالت استراحت در فرکانس¬های زیر 0.3 هرتز داراست. واژگان کلیدی: بازدهی کلی گراف، بازدهی محلی گراف، مسئله معکوس، شبکه حالت پایه، شبکه¬ی حالت استراحت مغز، سیگنال الکتروانسفالوگراف.
- Abstract
- The issue of how different brain regions are connected functionally has become a key concern in neuroscience. This study is mainly intended to explore the connectivity of the sources of EEG in the resting state brain. Following the recent researches in the analysis of resting state data and so called default mode network (DMN), we are going to investigate which brain regions are connected in the low frequency range of EEG. Based on the maps of spectral powers of EEG in frequency bands, several regions showed significant activities in previous studies. However little or no work has been done in regard to functional connectivity of the sources with EEG, and the majority of works in this area have been done by fMRI. In addition to the EEG high temporal resolution, EEG inverse solution techniques can be seen as a way to add spatial information to extra-cranial measurements. The non-invasive nature of EEG makes these methods particularly suitable for neuroscience research and clinical practice. The low spatial resolution of the EEG inverse solutions, introduces high zero-lag coherence and phase synchronization. Zero phase delay is one of the important properties of volume conduction and therefore measures such as the cross-spectrum, coherence, and phase synchronization are used in measuring brain connectivity. In this research, we have used the zero-lag removed methods. Also, in this study, the coherence or phase synchronization between two time series corresponding to two different spatial locations is interpreted as a measure of the “connectivity” between those two locations. Moreover, randomization method is employed for testing the significance of connectivity. Connectivity patterns estimated on the cortical surface in different frequency bands are then interpreted with measures based on graph theory. Thus, the present approach enables one to map functional connectivity in the context of cortical structure instead of just inferring it from the scalp-recorded EEG. The present findings suggest there are significant differences in functional connectivity patterns between DMN and resting state network in low frequency components below the 0.3 Hz of EEG. Keywords: Connectivity, Coherence, Phase Synchronization, resting state network, Default Mode Network (DMN), Inverse Problem.
