Deep learning analysis of MEG functional connectivity for age prediction
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Master's thesis
Authors
Date
2024-11-18
Department
Major/Subject
Complex Systems
Mcode
Degree programme
Master's Programme in Life Science Technologies
Language
en
Pages
65
Series
Abstract
The human brain is organized as a structurally and functionally interconnected network of neurons, facilitating human behavior and cognition. Brain activity includes rhythmic oscillations generated by the synchronous firing of large populations of neurons, which can be measured using magnetoencephalography (MEG). Functional connectivity analysis identifies statistical associations between oscillations measured across spatially separate brain regions. Patterns of functional connectivity across different physiological frequencies and brain regions are summarized in functional connectivity matrices, providing an efficient representation of functional brain states and their alterations across the lifespan or in pathology. Consequently, functional connectivity analyses hold promise for producing biomarkers of biological aging and various diseases, such as Alzheimer's and Parkinson's. In this Master's thesis, three custom deep learning models were developed to predict biological age using functional connectivity matrices derived from MEG measurements of 585 healthy subjects in an open-access dataset. Each model was evaluated using different sets of functional connectivity features including (1) amplitude envelope correlations, (2) weighted phase-lag indices, (3) source power estimates, and combinations thereof. All three proposed models were able to predict biological age on par with or exceeding the performance of the current state-of-the-art models in the field for MEG functional connectivity decoding. Importantly, amplitude-based features proved to be significantly more informative than phase-based features for age prediction. Combining both types of features led to further improvements in predictive performance. The proposed models achieved results comparable to those using source power estimates. These results suggest that the proposed deep learning approaches can be effectively used for accurate prediction of brain states from the resting-state MEG measurements, represented as functional connectivity matrices.Ihmisaivot koostuvat rakenteellisesti ja toiminnallisesti kytkeytyneistä hermosolujen verkostoista, jotka mahdollistavat kognitiviiset toiminnot sekä normaalin käyttäytymisen. Aivokuvantamismenetelmät, kuten magnetoenkefalografia (MEG), mahdollistavat eri aivoalueiden synkronisten hermoimpulssien eli oskillaatioiden mittaamisen. Toiminnallisen kytkeytyvyyden tutkimuksessa pyritään löytämään yhteyksiä eri aivoalueiden oskillaatioiden välillä. Toiminnallinen kytkeytyvyys eri aivoalueiden sekä fysiologisten taajuuksien välillä voidaan koota kytkeytyvyysmatriiseihin, joita voidaan hyödyntää esimerkiksi ikääntymisen sekä neurologisten sairauksien aiheuttamien muutosten havaitsemiseen. Tämän vuoksi toiminnallista kytkeytyvyyttä voidaan mahdollisesti hyödyntää biomarkkereiden kehittämisessä, esimerkiksi ikääntymisen sekä neurologisten sairauksien, kuten Alzheimerin ja Parkinsonin taudin, tunnistamisessa. Tässä tutkimuksessa kehitettiin kolme syväoppimismallia ennustamaan biologista ikää toiminnalisista kytkeytyvyysmatriiseista, jotka laskettiin 585 terveen koehenkilön MEG-mittauksista avoimesta tietokannasta. Syväoppimismallien toimintaa iän ennustamisessa arvioitiin vertailemalla erilaisia kytkeytyvyysmittareita, joihin kuuluivat (1) amplitudiverhokäyrien välinen korrelaatio, (2) painotettu vaiheviivekerroin, (3) lähdeavaruuden tehon spektritiheys sekä näiden yhdistelmät. Kaikki kehitetyt syväoppimismallit ennustivat iän yhtä hyvin tai paremmin kuin aikaisemmin kirjallisuudessa esitetyt mallit MEG-mittauksista johdettujen toiminnalisten kytkeytyvyysmatriisien perusteella. Amplitudipohjaiset kytkeytyvyysmittarit olivat merkittävästi parempia iän ennustamisessa kuin oskillaatioiden vaiheviiveeseen perustuvat menetelmät. Kun amplitudi- ja vaihepohjaiset mittarit yhdistettiin samaan matriisin, syväoppimismallien tulokset paranivat hieman. Kehitetyt syväoppimismallit saavuttivat vertailukelpoisia tuloksia lähdeavaruuden tehon spektriheyden kanssa. Näiden tulosten pohjalta syväoppimismalleja voidaan tehokkaasti hyödyntää havaitsemaan muutoksia toiminnallisessa kytkeytyvyydessä.Description
Supervisor
Parkkonen, LauriThesis advisor
Zubarev, IvanKeywords
MEG, syväoppiminen, konvoluutioneuroverkko, toiminnallinen kytkeytyvyys, ikääntyminen, magnetoenkefalografia