Creating a normative database of resting-state brain activity from a large number of MEG recordings

Abstract

There are differences in the resting state activity between healthy people, also several neurological diseases alter the activity. To be able to separate these from one another we need large data masses on the variations between healthy people.

We created a pipeline that can calculate an averaged frequency content from a large number of MEG and MRI recordings. We used 647 subject's resting state MEG measurements. The pipeline consists of segmentation, filtering, co-registration, source reconstruction, morphing and calculation of the power spectral densities.

The main findings were that this is feasible to do without large amounts of manual work and that in our case we were able to use 95\% of the data without doing any manual refinements. This bodes well for further studies where the data sizes are large. We also looked into age related alpha rhythm slowing and found a negative correlation between age and the frequency of the alpha peak in our data. This matches with the previous studies on the topic and validates the methods used.

The resulting database could be used with machine learning techniques to classify clinical patients from healthy subjects.

Aivojen lepotilatoiminta vaihtelee jonkin verran terveidenkin ihmisten välillä, mutta myös monet neurologiset sairaudet muuttavat sitä. Näiden erottamiseksi tarvitaan suuri määrä tietoa vaihteluista, joita terveiden henkilöiden välillä lepotilatoiminnassa on.

Tässä diplomityössä loimme järjestelmän, jonka avulla suuri määrä magnetoenkefalografisia (MEG) lepotilamittauksia voidaan yhdistää pienellä vaivalla normatiiviseksi kuvaukseksi aivotoiminnan taajuusjakaumasta levossa. Käytimme 674 terveen koehenkilön MEG-mittauksia. Järjestelmä koostuu aivokuvien segmentaatiosta, MEG datan suodatuksesta, yhteensovituksesta, lähdemallinnuksesta, sen yhdenmukaistamisesta koehenkilöiden välillä, ja taajuusjakauman laskemisesta.

Diplomityön päätulos oli kuvatun järjestelmän luominen ilman käsin tehtävää työtä. Pystyimme käyttämään lähes 95\% lähtöaineistosta ilman ongelmia, jotka olisivat vaatineet manuaalista korjaamista. Tarkastelimme myös alfa-aaltojen taajuuden laskua iän seurauksena ja saimme tulokseksi selvän negatiivisen korrelaation iän ja taajuuden välillä. Tämä on aiemman kirjallisuuden kanssa yhtenevä tulos ja kertoo osaltaan käytettyjen metodien oikeellisuudesta.

Tietokantaa on mahdollista jatkossa hyödyntää koneoppimisjärjestelmissä, joilla voitaisiin erottaa tiettyjä potilasryhmiä terveistä verrokeista.