Independent component analysis of mgnetoencephalographic signals

Loading...
Thumbnail Image

URL

Journal Title

Journal ISSN

Volume Title

Helsinki University of Technology | Master's thesis
Checking the digitized thesis and permission for publishing
Instructions for the author
Location:
P1 Ark TF80

Date

Mcode

Tik-61

Degree programme

Language

en

Pages

66

Series

Abstract

Riippumattomien komponenttien menetelmä (ICA) ratkaisee ongelman, jossa halutaan löytää tuntemattomat riippumattomat lähteet, niiden lineaarisista sekoitteista. Sitä voidaan käyttää mm. sokeaan lähteen erotteluun ja riippumattomien piirteiden löytämiseen. FastICA on eräs algoritmeista, joka ratkaisee tämän ongelman. Se on osoittautunut nopeudeltaan ylivoimaiseksi muihin yleispäteviin ICA-algoritmeihin verrattaessa ja kuitenkin suunnilleen yhtä tarkaksi. Magnetoenkefalografia (MEG) on kehittynyt mittausmenetelmä aivojen magneettisen aktiivisuuden mittaamiseen. Se on täysin ei-invasiivinen ja mittaa magneettivuon muutoksia kallon pinnalla, joita aiheuttavat synkronissa laukovien neuronien sähköinen aktiivisuus. MEG:llä on erittäin hyvä ajallinen resoluutio, jopa millisekunnin luokkaa, ja sen paikannusresoluutiokin on varsin hyvä, koska jopa useita satoja sensoreita voidaan yhdistää samaan mittalaitteeseen. Koska MEG-data on suuridimensioista ja hyvin monimutkaista, sen analysoimiseen tarvitaan kehittyneitä menetelmiä. Tämä diplomityö soveltaa FastICA:a MEG-dataan, osoittaen, että monet perinteiset tulokset voidaan toistaa ICA:lla ilman aprosimoivaa mallinnusta. Lisäksi työssä esitetään menetelmä häiriöiden, kuten silmien liikkeiden ja sydämen lyöntien, poistamiseen MEG-datasta.

Description

Supervisor

Oja, Erkki

Thesis advisor

Vigario, Ricardo

Other note

Citation