عنوان پایان‌نامه

تخمین دینامیکی ارتباطات مغزی با استفاده توام از داده های EEG و FMRI



    دانشجو در تاریخ ۳۰ تیر ۱۳۹۳ ، به راهنمایی ، پایان نامه با عنوان "تخمین دینامیکی ارتباطات مغزی با استفاده توام از داده های EEG و FMRI" را دفاع نموده است.


    رشته تحصیلی
    مهندسی برق- مهندسی پزشکی - بیوالکتریک
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2801;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 70871
    تاریخ دفاع
    ۳۰ تیر ۱۳۹۳
    دانشجو
    فاطمه ابراهیمی نیا
    استاد راهنما
    غلامعلی حسین زاده دهکردی
    چکیده
    لینک فایل چکیده
    تکنیک الکتروانسفالوگرام به دلیل داشتن رزولوشن زمانی بالا، امکان نمونه‌بردای با نرخ بالا را از دینامیک زمانی فعالیت نورون‌ها فراهم می‌کند. این در حالی است که نمونه‌برداری از سطح سر با استفاده از تعداد محدودی الکترود صورت می‌گیرد. این محدودیت‌ و هم‌چنین اثر هادی حجمی سر، باعث کاهش شدید رزولوشن مکانی سیگنال‌ها می‌شود. در مقابل، در تصویربرداری کارکردی به روش تشدید مغناطیسی امکان ثبت فعالیت مغز با رزولوشن مکانی بالایی وجود دارد. این ویژگی، روش را به ابزار بسیار قدرتمندی برای مکان‌یابی نواحی فعال مغز تبدیل کرده‌است. این تکنیک تصاویری بر مبنای همودینامیک فراهم می‌کند که ذاتا دینامیک کندی دارد. پس با این روش نمی‌توان فعالیت نورون‌ها را در طول زمان با رزولوشن بالایی ثبت کرد. بنابراین، ویژگی‌های مکمل داده‌ها، انگیزه‌ای برای ترکیب داه‌ها برای فهم چگونگی کارکرد مغز فراهم آورده‌است. در این‌ پایان‌نامه ما سعی داریم از سیگنال‌های الکتروانسفالوگرافی و تصاویر تشدید مغناطیسی کارکردی استفاده کنیم و شبکه‌ی توصیف کننده‌ی فعالیت مغز و هم‌چنین دینامیک آن را در حرکت انگشت با تحریک بینایی بدست آوریم. برای این منظور سیگنال‌های EEG و fMRI را به ترتیب در آزمایشگاه علوم اعصاب دانشگاه شهید بهشتی و بیمارستان امام خمینی ثبت کرده‌ایم. مکان‌ نواحی فعال مغز، از داده‌های fMRI استخراج می‌شود. سپس این مکان‌ها به عنوان اطلاعات اولیه‌ای برای محدود کردن فضای جستجو در حل مسئله‌ی معکوس EEG به‌کار برده می‌شوند. پس از این مرحله با استفاده از مدل دینامیکی علّی، شبکه‌ی فعالیت نواحی شناسایی شده، استخراج می‌شود. از اختلاف در سیگنال‌های وابسته به رویداد، ERP، در حین حرکت و بعد از حرکت استفاه می‌شود تا دینامیک ارتباطات مغزی استخراج شود. نتایج نشان می‌دهد در حرکت انگشت با تحریک بینایی، نواحی حرکتی اولیه، سوماتوسنسوری، مخچه، پری‌کیونئوس و بینایی فعالیت قابل توجهی دارند. مدل‌سازی‌های ما نشان می‌دهد در زمان حرکت نسبت به زمان عدم وجود حرکت، ارتباطات بین نواحی حرکتی افزایش و ارتباطات بین نواحی بینایی و حرکتی کاهش یافتهاست. ارتباط بین ناحیه‌ی حرکتی و مخچه در زمان حرکت نسبت به زمان عدم حرکت در حرکت دست چپ و راست به ترتیب حدود شش و سه برابر شدهاست. شدت ارتباطات بین نواحی حرکتی اولیه و سوماتوسنسوری در حرکت دست چپ در دو جهت و در حرکت دست راست در جهت مستقیم کاهش یافتهاست. هم‌چنین مقایسه‌ی بین مدل‌های طراحی شده نشان می‌دهد در حرکت انگشت، نواحی پری‌کیونئوس و مخچه اطلاعات بینایی را به طور مستقیم دریافت می‌کنند. کلمات کلیدی: تصویربرداری تشدید مغناطیسی کارکردی، الکتروانسفالوگرافی، دینامیک ارتباطات موثر، مدل دینامیکی علّی، آزمایش حرکت انگشت با تحریک بینایی
    Abstract
    High temporal resolution property of electroencephalography (EEG) empowers us to have a high sampling of dynamics of neuronal activity. However signal acquisitions involve limited number of electrodes. These constraints and volume conduction effect result in a poor spatial resolution. On the contrary, functional magnetic resonance imaging (fMRI) allows recording images with high spatial resolution from changes of neuronal activities. So this technique achieves satisfactory tool for precise functional localization. However fMRI is a hemodynamic based neuroimaging method. This limits its temporal resolution to few hundred millisecond or even seconds. The above outstanding complementary properties of EEG and fMRI motivate us to use multimodal approaches to study brain function using them. In this dissertation we have used the EEG and fMRI to extract the dynamic brain network of a visuomotor task. This task is simple key pressing task cued by visual stimulus. For this aim we acquired the fMRI and EEG data in Imam Khomeini hospital, imaging center and neuroscience laboratory of Shahid Beheshti University respectively. The spatial coordination of brain actived regions are detected from fMRI data and are used as a prior in EEG inverse problem solution. Then the network of brain regions is extracted using Dynamic Causal Model (DCM). We used the differences of ERPs to model the dynamics of the brain network. Our results show significant activation level in primary motor cortex, somatosensory, cerebellum, precuneus and visual areas. The network shows direct impression of visual region on the cerebellum and precuneus regions. Modeling of dynamics of brain network shows that exertion of cerebellum on the primary motor cortex in right and left hand movement stint is increased at least six and three times respectively. Comparisons of models shows that in finger movement task the precuneus and cerebellum receive the visual information directly. KEYWORDS: fMRI, EEG, dynamic brain connectivity, DCM, key pressing task.