Hierarchical Bayesian aspects of distributed neuromagnetic source models

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.author Nummenmaa, Aapo
dc.date.accessioned 2012-02-24T08:59:13Z
dc.date.available 2012-02-24T08:59:13Z
dc.date.issued 2008-01-11
dc.identifier.isbn 978-951-22-9143-4
dc.identifier.issn 1457-1404
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/2987
dc.description.abstract Magnetoencephalography (MEG) enables noninvasive measurements of cerebral activity with excellent temporal resolution, but localising the neural currents generating the extracranial magnetic fields admits no unique solution. By imposing some mathematical constraints on the currents, reasonable solutions to this electromagnetic inverse problem can be obtained. In this work, we adopt the statistical formulation of the inverse problem in which the constraints are encoded as Bayesian prior probabilities. The prior is combined with a statistical MEG observation model via Bayes' theorem to yield the posterior probability of the unknown parameters, that is the currents, given the MEG data and modeling assumptions. Apart from the currents, the prior probability density may contain further parameters which are subject to uncertainty. These parameters are not related directly to the MEG observations and are called second-level parameters or hyperparameters, giving the model a hierarchical structure. The thesis considers hierarchical generalisations of the classical Minimum-Norm and Minimum-Current Estimates (MNE and MCE). The MNE and MCE are distributed source reconstruction methods from which the former is known to produce spatially diffuse distributions and the latter more focal. The here studied extensions of the MNE and MCE prior structures allow more general and flexible modeling of distributed sources with properties in between MNE and MCE. The first two studies included in this thesis involve more theoretical Bayesian analyses on the properties of the hierarchical distributed source models and the resulting inverse estimates. The latter two studies focus on validation of the models with empirical MEG data, practical analyses and interpretation of the inverse estimates. en
dc.description.abstract Magnetoenkefalografia (MEG) mahdollistaa pään ulkopuolelta tapahtuvan aivotoimintojen mittaamisen hyvällä ajallisella tarkkuudella, mutta nämä magneettikentät synnyttävien aivokudoksen sähkövirtojen paikallistaminen vaatii ns. sähkömagneettisen käänteisongelman ratkaisun, joka ei ole yksikäsitteinen. Jos virtakonfiguraatioille asetetaan sopivia matemaattisia rajoitteita, on kuitenkin mahdollista löytää käyttökelpoisia ratkaisuja tähän käänteisongelmaan. Tässä työssä käänteisongelmaa lähestytään tilastollisesti, ja matemaattiset rajoitteet muotoillaan Bayesilaisittain a priori todennäköisyyksinä. Tämä priorijakauma yhdistetään tilastollisen MEG-havaintomallin kanssa, jolloin saadaan Bayesin teoreeman avulla tuntemattomien parametrien eli virtakonfiguraatioiden a posteriori -jakauma, joka kertoo eri virtakonfiguraatioden todennäköisyydet, annettuna havaittu data sekä tehdyt mallioletukset. Virtojen lisäksi priorijakaumaan saattaa liittyä muita tuntemattomia suureita, jotka sisältävät epävarmuutta. Nämä parametrit eivät kytkeydy suoraan MEG-mittauksiin, joten ne ovat siis sähkövirtoihin verrattuna seuraavalla mallitasolla. Näitä priorin parametreja kutsutaan hyperparametreiksi, ja mallilla on hierarkinen rakenne. Väitöskirjassa tutkitaan klassisten miniminormi- ja minimivirtaestimaattien hierarkisia yleistyksiä. Miniminormi- ja minimivirtaestimaatit ovat lähdejakaumamalleihin liittyviä menetelmiä, joista ensimmäinen tuottaa paikallisesti varsin laajalle levineitä ja jälkimmäinen fokaalimpia käänteisongelman ratkaisuja. Näiden menetelmien tässä työssä tutkitut laajennukset mahdollistavat myös yleisempien ja joustavampien, ominaisuuksiltaan miniminormi- ja minimivirtaoletusten väliin sijoittuvien lähdejakaumien mallintamisen. Kaksi ensimmäistä osatyötä keskittyvät esitettyjen hierarkisten Bayesilaisten lähdejakaumamallien sekä niiden tuottamien käänteisongelman ratkaisujen teoreettiseen tutkimiseen. Kahdessa jälkimmäisessä osatyössä pyritään validoimaan menetelmät käyttäen mitattua MEG dataa, sekä selventämään näiden hierarkisten käänteisongelman ratkaisujen käytännön merkitystä ja tulkintaa. fi
dc.format.extent 50, [80]
dc.format.mimetype application/pdf
dc.language.iso en en
dc.publisher Helsinki University of Technology en
dc.publisher Teknillinen korkeakoulu fi
dc.relation.ispartofseries Helsinki University of Technology Laboratory of Computational Engineering publications. Report B en
dc.relation.ispartofseries 66 en
dc.relation.haspart Auranen, T., Nummenmaa, A., Hämäläinen, M. S., Jääskeläinen, I. P., Lampinen, J., Vehtari, A., and Sams, M. (2005). Bayesian analysis of the neuromagnetic inverse problem with ℓp-norm priors. NeuroImage, 26 (3): 870-884. [article1.pdf] © 2005 Elsevier Science. By permission.
dc.relation.haspart Nummenmaa, A., Auranen, T., Hämäläinen, M. S., Jääskeläinen, I. P., Lampinen, J., Sams, M., and Vehtari, A. (2007). Hierarchical Bayesian estimates of distributed MEG sources: theoretical aspects and comparison of variational and MCMC methods. NeuroImage, 35 (2): 669-685. [article2.pdf] © 2007 Elsevier Science. By permission.
dc.relation.haspart Nummenmaa, A., Auranen, T., Hämäläinen, M. S., Jääskeläinen, I. P., Sams, M., Vehtari, A., and Lampinen, J. (2007). Automatic relevance determination based hierarchical Bayesian MEG inversion in practice. NeuroImage, 37 (3): 876-889. [article3.pdf] © 2007 Elsevier Science. By permission.
dc.relation.haspart Nummenmaa, A., Auranen, T., Vanni, S., Hämäläinen, M. S., Jääskeläinen, I. P., Lampinen, J., Vehtari, A., and Sams, M. (2007). Sparse MEG inverse solutions via hierarchical Bayesian modeling: evaluation with a parallel fMRI study. Helsinki University of Technology, Laboratory of Computational Engineering Publications, Report B65, ISBN 978-951-22-9141-0. [article4.pdf] © 2007 by authors.
dc.subject.other Medical sciences en
dc.subject.other Mathematics en
dc.title Hierarchical Bayesian aspects of distributed neuromagnetic source models en
dc.type G5 Artikkeliväitöskirja fi
dc.description.version reviewed en
dc.contributor.department Department of Electrical and Communications Engineering en
dc.contributor.department Sähkö- ja tietoliikennetekniikan osasto fi
dc.subject.keyword magnetoencephalography en
dc.subject.keyword inverse problem en
dc.subject.keyword Bayesian analysis en
dc.identifier.urn urn:nbn:fi:tkk-011159
dc.type.dcmitype text en
dc.type.ontasot Väitöskirja (artikkeli) fi
dc.type.ontasot Doctoral dissertation (article-based) en
dc.contributor.lab Laboratory of Computational Engineering en
dc.contributor.lab Laskennallisen tekniikan laboratorio fi


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account