Large-scale brain networks using MEG: pipeline and application to real data
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2019-01-28
Department
Major/Subject
Complex Systems
Mcode
SCI3060
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
63 + 5
Series
Abstract
Research has shown that functional connectivity is a powerful tool in the study of the complex processes of the human brain. Functional connectivity is generally defined as the synchronisation of anatomically distant areas and it can be inspected for example through coherent oscillations. Magnetoencephalography (MEG) is well suited for functional connectivity studies as it has a good time resolution that allows us to observe the changes in magnetic field in real time. Dynamic Imaging of Coherent Sources (DICS) uses spatial filters to estimate the oscillatory activity in the human brain. In my master's thesis, I introduce a python-based pipeline and code library that estimates functional connectivity from MEG data using DICS. I will then demonstrate the application with a real MEG dataset. This pipeline also implements the use of canonical coherence, which provides a fast and stable way of calculating coherence between a large number of signal sources. The pipeline presented here consists of seven steps: First the data is preprocessed and the cross-spectral density (CSD) matrices are computed. Then the source space is computed and used with the CSD matrices to compute both oscillatory power and connectivity. These results are then analysed at the group-level and visualised. The results show that the pipeline is easy to apply to a real world dataset. Selection of the parameters in different steps should be made based on the dataset at hand and the results should be interpreted carefully. Further research on the stability of this pipeline is suggested.Toiminnallisten kytkösten tarkastelu on osoittautunut tehokkaaksi apuvälineeksi aivojen monimutkaisten toimintojen tutkimisessa. Neurotieteessä toiminnallinen kytkeytyvyys määritellään yleensä aivojen rakenteellisesti etäisten rakenteiden tahdistumisena. Toiminnallista kytkeytyvyyttä voidaan tarkastella esimerkiksi koherenssin avulla. Magnetoenkefalografia (MEG) on osoittautunut hyvän aikaresoluutionsa takia sopivaksi menetelmäksi tarkastella toiminnallisia kytköksiä. Keilanmuodostusmenetelmä koherenttien lähteiden dynaaminen kuvaaminen (Dynamic Imaging of Coherent Sources, DICS) käyttää spatiaalisuodattimia tarkastellakseen aivoissa tapahtuvia värähtelyitä. Tässä diplomityössä esittelen python-ohjelmointikielellä toteutetun koodikirjaston, joka DICS-menetelmän avulla arvioi aivojen värähtelyjen tehoa ja koherenssia ja näin toiminnallista kytkeytyvyyttä. Tämän kirjaston DICS-menetelmässä koherenssi kahden lähteen välillä lasketaan kanonisella koherenssilla, joka on nopea ja vakaa tapa laskea koherenssi suurelle määrälle lähdepisteitä. Koodikirjaston vaiheita on seitsemän: Data esikäsitellään ja siitä lasketaan ristispektritiheysmatriisi (CSD-matriisi). Lähdepisteet määritellään ja niitä käytetään CSD-matriisien kanssa värähtelyn tehon ja yhteyksien laskemiseen. Tämän jälkeen tuloksia käsitellään ryhmätasolla ja näytetään kuvina. Tulokset osoittavat, että koodikirjaston soveltaminen mittausaineistoon on helppoa. Eri vaiheissa tarvittavat parametrit on valittava aineiston ominaisuuksien perusteella ja tuloksia on tarkasteltava varoen. Lisätutkimusta suositellaan menetelmän vakauden varmistamiseksi.Description
Supervisor
Salmelin, RiittaThesis advisor
Liljeström, Miavan Vliet, Marijn
Keywords
DICS, MEG, functional connectivity, beamformer, coherence