Automatic estimation of infant encephalographic data quality

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Makkonen, Tommi
dc.contributor.author Reijonen, Jusa
dc.date.accessioned 2017-05-11T10:34:21Z
dc.date.available 2017-05-11T10:34:21Z
dc.date.issued 2017-05-08
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/26151
dc.description.abstract The electroencephalogram (EEG) is a commonly used signal for measuring infants' brain activity. The developmental processes of the brain can be studied with event-related potentials (ERPs), which are obtained by epoching the EEG signal into trials time-locked to a specific event and calculating the average of the trial epochs. The quality of EEG and ERPs is diminished by artifacts, which are signals originating from non-neural sources. Identifying and eliminating the artifacts is essential for revealing the underlying brain activity. This has traditionally been done by visual inspection, which is slow and poorly repeatable due to its subjective nature. More efficient and reliable artifact processing methods are thus needed. This thesis proposes a two-step method for artifact processing. First, the contaminated channels are detected by statistical thresholding based on several parameters extracted from the epoched data. Second, the contaminated epochs are identified by setting thresholds for features that have abnormal values in the presence of the most common types of artifacts. The performance of this approach is evaluated by comparing the detection results to a visual detection performed by EEG experts. Channel detection was found effective for subjects with good and moderate general data qualities, becoming weaker as the general data quality decreased. The results also showed that epoch detection with the selected thresholds was very effective. Further research is needed in order to verify the results as well as to evaluate the performance with different parameter and feature sets which can potentially improve the suggested method. en
dc.description.abstract Aivosähkökäyrää (elektroenkefalografia, EEG) käytetään yleisesti vauvojen aivotoiminnan mittaamiseen. Aivojen kehityksen tutkimuksessa käytetään usein tapahtumasidonnaisia herätepotentiaaleja (ERP), jotka muodostetaan jakamalla EEG-signaali lyhytkestoisempiin ikkunoihin (epookkeihin) ulkoisen herätteen suhteen ja laskemalla epookkien keskiarvo. EEG:n ja ERP:n laatua heikentävät erilaiset häiriöt, jotka ovat aivojen ulkopuolelta lähtöisin olevia signaaleja. Häiriöiden tunnistaminen ja eliminoiminen on välttämätöntä, jotta itse aivotoiminta saadaan näkyviin. Tämä on perinteisesti toteutettu silmämääräisellä tarkastelulla, joka on hidasta ja huonosti toistettavaa subjektiivisuutensa vuoksi. Tehokkaampia ja luotettavampia menetelmiä häiriöiden käsittelemiseksi siis tarvitaan. Tässä työssä esitetään kaksivaiheinen lähestymistapa häiriöiden käsittelyyn. Ensin häiriöiset kanavat havaitaan epookeista määritettyihin parametreihin perustuvan tilastollisen kynnysarvomenetelmän avulla. Seuraavaksi häiriöiset epookit tunnistetaan asettamalla kynnysarvot piirteille, jotka saavat epätyypillisiä arvoja yleisimpien häiriöiden tapauksissa. Menetelmän suoriutumista arvioidaan vertaamalla tuloksia asiantuntijoiden suorittamaan häiriöiden silmämääräiseen havaitsemiseen. Häiriöisten kanavien automaattinen havaitseminen osoittautui tehokkaaksi koehenkilöille, joiden aineiston yleinen laatu oli hyvä tai kohtalainen. Suoriutuminen kuitenkin heikkeni aineiston yleisen laadun huonontuessa. Tulokset osoittivat myös, että häiriöisten epookkien havaitseminen valituilla kynnysarvoilla oli erittäin tehokasta. Lisätutkimuksia tarvitaan tulosten varmistamiseksi ja menetelmää mahdollisesti parantavien erilaisten parametri- ja piirreyhdistelmien suoriutumisen arvioimiseksi. fi
dc.format.extent 71 + 8
dc.language.iso en en
dc.title Automatic estimation of infant encephalographic data quality en
dc.title Vauvoilta mitatun aivosähkökäyrädatan automaattinen laadunarviointi fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.school Perustieteiden korkeakoulu fi
dc.subject.keyword EEG en
dc.subject.keyword ERP en
dc.subject.keyword infant en
dc.subject.keyword artifact en
dc.subject.keyword threshold en
dc.identifier.urn URN:NBN:fi:aalto-201705114672
dc.programme.major Lääketieteellinen tekniikka fi
dc.programme.mcode SCI3059 fi
dc.type.ontasot Master's thesis en
dc.type.ontasot Diplomityö fi
dc.contributor.supervisor Ilmoniemi, Risto
dc.programme Master’s Programme in Life Science Technologies fi
dc.ethesisid aalto 8873
dc.location P1


Files in this item

Files Size Format View

There are no open access files associated with this item.

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse