عنوان پایان‌نامه
شناسایی و تخمین شبکه های مغز در حالت استراحت، با استفاده از نمایش فضای حالت و داده های fMRI
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E2025;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 51946
- تاریخ دفاع
- ۳۰ بهمن ۱۳۹۰
- دانشجو
- شهاب کدخدائیان بختیاری
- استاد راهنما
- غلامعلی حسین زاده دهکردی
- چکیده
- فعّالیت مغز در حالت استراحت به طور گسترده‌ای در علوم اعصاب مورد بررسی قرار گرفته‌است. اکثر این مطالعات برای کشف الگو‌های سنکرون فعّالیت میان نواحی مغز، یا ارتباطات کارکردی، در غیاب تحریک خارجی بوده‌است. با این‌حال، شاخه مهمی از مطالعات ارتباطات مغزی، یعنی ارتباطات مؤثر کم‌تر در این زمینه مورد بررسی قرار گرفته‌است. پیچیدگی فعّالیت مغز در حالت استراحت، به نحوی که در نوسانات BOLD مشاهده می‌شود، و عدم وجود دانش کافی در مورد نحوه تجمیع اطلاعات در مغز در این حالت نیاز به مطالعات اکتشافی شبکه‌های علّی مغز را مطرح کرده‌است. علاوه بر این، وجود سیستم همودینامیک به عنوان واسطه فعّالیت نرونی و داده تصویربرداری تخمین ارتباطات علّی را با مشکل مواجه ساخته‌است. تجمع زمانی حاصل از اثر کانولوشن پاسخ ضربه سیستم همودینامیکی و فعّالیت نرونی عامل اصلی مشکلات ناشی از سیستم همودینامیکی است. در این پایان‌نامه، برای تخمین ارتباطات مؤثر در حالت استراحت روش جدیدی ارائه شده‌است. این روش بر پایه یک مدل فضای حالت گسسته از فعّالیت نرونی و سیگنال BOLD استوار است، و با استفاده از یک الگوریتم شناسایی مبتنی بر زیر فضا پارامترها و متغیرهای حالت این مدل را تخمین می‌زند. شناسایی این مدل فضای حالت معادل یافتن ارتباطات مؤثر میان اجزای آن، یعنی نواحی مغز، است. عملکرد این الگوریتم با استفاده از داده شبیه‌سازی‌شده از شبکه‌هایی با ابعاد و پیچیدگی‌های گوناگون ارزیابی شده‌است. همچنین تأثیر مخرّب نویز مشاهدات و نرخ نمونه‌برداری داده fMRI بر این الگوریتم بررسی شده‌است. آزمایشات ما نشان می‌دهند که روش ارائه‌شده به میزان خوبی در مقابل نویز مشاهدات، پیچیدگی توپولوژی شبکه و نرخ نمونه‌برداری مقاوم است. در نهایت روش پیشنهادی را با روش‌های دیگر تخمین ارتباطات مؤثر مقایسه خواهیم‌کرد. به طور خاص خواهیم دید که روش شناسایی مبتنی بر زیرفضا به صورت مشخصی نسبت به تحلیل علّیت گرنجر در تخمین روابط علّی در حالت استراحت برتری دارد. این برتری عموماً در نرخ تشخیص کاذب ارتباطات علّی است. اگرچه روش پیشنهادی این پایان‌نامه در نرخ تشخیص درست نیز بر روش تحلیل علّیت گرنجر برتری دارد، این برتری در نرخ تشخیص کاذب به صورت واضحی قابل مشاهده است. همچنین برای شناسایی شبکه ارتباطات علّی میان نواحی دو شبکه فعّال حالت استراحت (شبکه توجّه خلفی و شبکه Default-Mode)، الگوریتم پیشنهادی این پایان‌نامه را بر داده واقعی fMRI در حالت استراحت نیز اعمال کرده‌ایم. آن‌گونه که نتایج این مطالعه نشان می‌دهند در سلسله‌مراتب شبکه‌های کارکردی مغز، شبکه Default-Mode در مرتبه بالاتری نسبت به شبکه توجّه خلفی قرار می‌گیرد.
- Abstract
- ABSTRACT The resting brain has been extensively investigated for low frequency synchrony between brain regions, namely Functional Connectivity. However, the other main stream of brain connectivity analysis that seeks causal interactions between brain regions, Effective Connectivity, has been little explored. Inherent complexity of brain activity in resting-state, as observed in BOLD fluctuations, calls for exploratory methods for characterizing these causal networks. On the other hand, the inevitable effects that hemodynamic system imposes on causal inferences in fMRI data, lead us toward the methods in which causal inferences can take place in latent neuronal level. In this thesis, firstly, we will review the methods developed previously for studying brain function in resting-state, and the results they have produced. In addition, we will survey the effective connectivity analysis methods, and specifically we will investigate why previously developed methods are unsuccessful in characterizing causal networks in resting brain. After that, the novel Subspace-based Identification Algorithm will be introduced which is developed in this thesis for characterizing causal networks in resting brain. This method is a simple non-iterative algorithm for identifying state-space formulation of neuronal oscillations in resting-state and BOLD time-series. Using extensive simulations, our developed method is examined against observation noise, fMRI downsampling effect, and network complexities. Our experiments show that our method is sufficiently robust against the adverse effects of these factors. At the end, we will compare our method with similar effective connectivity estimation methods. Particularly, our experiments show that Granger Causality Analysis is too sensitive to hemodynamic system latency, while simultaneously estimation of hemodynamic system characteristics and effective connectivity by Subspace-based Identification Algorithm, makes it sufficiently robust against hemodynamic system latency. KEYWORDS 1. Effective Connectivity. 2. Resting-state fMRI. 3. Subspace-based Identification Algorithm. 4. State-space Model. 5. Causality. 6. Functional Connectivity.
