Capturing individual variation in children's oscillatory brain activity during nREM sleep
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Authors
Date
2022-05-16
Department
Major/Subject
Complex Systems
Mcode
SCI3060
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
49+5
Series
Abstract
Sleep electroencephalogram (EEG) is known to be highly individual and heritable, with unique aspects related to maturation. The magnetoencephalographic (MEG) spectral power structure has recently been associated with genetic factors using Bayesian reduced-rank regression (BRRR) for extracting a low-dimensional representation of familial data features. This approach has shown that the spectral power structure is highly consistent within participants irrespective of experimental state, suggestive of subject-specific cortical fingerprints. How well the algorithm generalizes to more noise-prone and low-resolution clinical EEG data and, e.g., during brain maturation is not known. In this thesis BRRR was applied on 19-channel non-REM sleep EEG recordings of ~800 healthy Finnish children, between 3 weeks -- 19 years of age, for finding the spatiospectral components that would maximally differentiate subjects from each other. 2--4 spectral estimates per participant were used for addressing the accuracy of the model, by calculating L1 distances between participants in the low-dimensional latent space. The test subjects could be separated from each other with > 73\% average accuracy using 12 spatiospectral components. The components explaining the most variation correlated moderately with age, possibly reflecting individual trajectories in brain maturation. The latent space components were generally not consistent over participants’ own data sets from different sleep phases, but restricting analysis to the oldest subjects (>7 years) yielded within-subject accuracy of 65\%. Future studies are needed for revealing the possible benefits of using higher-density EEG recordings and/or of combined longitudinal M/EEG recordings in addressing cortical fingerprints in children. The promising results of this thesis encourage the use of BRRR for EEG data and also in clinical research, where additional confounders could be used to study brain function in different neurological disorders.Unenaikainen aivosähkökäyrä (elektroenkefalografia, EEG) on sekä yksilöllinen että perinnöllinen, ja se sisältää erityisiä kehitykseen liittyviä piirteitä. Aivomagneettikäyräperäisen (magnetoenkefalografia, MEG) tehospektrijakauman vaihtelu on liitetty geneettisiin tekijöihin hyödyntäen Bayesilaista redusoidun rangin regressioita (BRRR) matalaulottuvuuksisten perinnöllisten piirteiden löytämiseksi. Kyseinen lähestymistapa paljasti tehospektrijakauman olevan erittäin vakaan yksilöiden sisällä koetilanteesta riippumatta, viitaten koehenkilökohtaisiin aivokuorisormenjälkiin. Menetelmän soveltuvuutta häiriöherkälle ja epätarkemmalle kliiniselle EEG-aineistolle, sekä esimerkiksi aivojen kehityksen aikana, ei ole aiemmin tutkittu. Tässä diplomityössä BRRR:ta sovellettiin 800:n suomalaisen lapsen (ikä 3 viikkoa -- 19 vuotta) 19-kanavaiseen ei-REM-unenaikaiseen EEG-aineistoon. Tavoitteena oli löytää yksilöiden välisiä eroja selittävät spatiospektraaliset piilomuuttujakomponentit. Mallin tarkkuutta arvoitiin käyttämällä 2--4:ää tehospektriä per koehenkilö ja laskemalla $L1$-etäisyys matalaulottuvuuksisessa avaruudessa koehenkilöiden välillä. Koehenkilöt kyettiin erottamaan toisistaan yli 73\% tarkkuudella käyttämällä vain kahtatoista spatiospektraalista komponenttia. Yksilöllistä varianssia eniten selittävät komponentit korreloivat kohtalaisesti iän kanssa, mikä saattaa viitata kypsymisen yksilöllisiin kehityskaariin. Komponentit eivät pääsääntöisesti yleistyneet eri univaiheiden yli, mutta analyysin rajoittaminen yli 7-vuotiaisiin antoi koehenkilöiden sisäiseksi tarkkuudeksi 65\%. Tulevaisuudessa tarvitaan tutkimuksia tiheämmän EEG:n tai yhdistettyjen, pitkittäisten M/EEG -tutkimusten hyödyistä aivokuorisormenjälkien tunnistamiseksi lasten kohdalla. Työn lupaavat tulokset rohkaisevat soveltamaan BRRR:ta myös kliiniseen EEG-aineistoon, jolloin analyysissä voitaisiin hyödyntää myös muita kliinisiä lisämuuttujia aivojen toiminnan tutkimiseen erilaisissa neurologisissa sairauksissa.Description
Supervisor
Renvall, HannaThesis advisor
Liljeström, MiaKeywords
BRRR, EEG, brain development, nREM sleep, power spectra