Dynamic imaging of coherent sources: simulations and estimation of parameters

Imaging of the electromagnetic fields of the brain is turning to a new phase: in addition to individual sources one is able to investigate the connections between different brain areas. The research helps to understand in what kind of temporal continuum the information processing occurs -on the one hand in a healthy human brain and, on the other hand, in a disordered one. Dynamic imaging of coherent sources (DICS) is a data-driven method which is specifically designed for investigation of linear interactions. In this Master's thesis, software for simulating magnetoencephalographic (MEG) signals was developed. The objective was to create MEG data whose underlying processes have known and reusable statistical properties. With simulations the performance and behaviour of DICS could be analysed, while different influencing factors were varied in a controlled way. The signals detected on sensors originate from the time series of source areas, noise sources and external disturbances. Two approaches were taken to the simulation of time series: frequency modulated sine waves and a generative model based on the structure of real data. In the latter method, basis features were sought from actual time series in the source space, and combining the features one produced data with realistic statistical properties. Coefficients for the basis time series were calculated using Markov Chain Monte Carlo. The work investigated the influence of noise profile and level, regularization and head model on the accuracy of estimates that DICS calculated. The structure of noise affected considerably the localization of sources. The results were good with realistic noise. Estimated statistics varied non-linearly as a function of regularization, and no general optimum exists. As a summary of the results alpha0 about 0.1 is recommended in the regularization.Aivojen tuottamien sähkömagneettisten kenttien kuvantaminen on siirtymässä vaiheeseen, jossa yksittäisten lähdealueiden lisäksi voidaan tutkia eri aivoalueiden välisiä kytkentöjä. Tutkimus auttaa hahmottamaan, millaisessa ajallisessa jatkumossa informaation käsittely tapahtuu - toisaalta terveissä ja toisaalta epäterveissä ihmisaivoissa. Dynaaminen koherenssikuvantaminen (DICS) on datan rakenteeseen mukautuva menetelmä, joka on erityisesti suunniteltu lineaaristen vuorovaikutusten tutkimiseen. Tässä diplomityössä kehitettiin ohjelmisto magnetoenkefalografisten (MEG) signaalien simulointiin. Tavoitteena oli tuottaa MEG-dataa, jonka taustalla olevien prosessien tilastolliset ominaisuudet ovat tunnetut ja säädeltävissä. Simulointien avulla pystyttiin analysoimaan DICS:n toimivuutta ja käyttäytymistä, kun eri osatekijöitä muuteltiin kontrolloidusti. Sensorien havaitsema signaali on peräisin lähdealueiden aikasarjoista, kohinalähteistä sekä ulkopuolisista häiriöistä. Aikasarjojen simulointiin valittiin kaksi lähestymistapaa: taajuusmoduloidut sinisignaalit ja oikean datan rakenteelle pohjautuva generatiivinen malli. Jälkimmäisessä menetelmässä todellisista lähdeavaruuden aikasarjoista etsittiin ominaispiirteitä, joita yhdistämällä tuotettiin tilastollisilta ominaisuuksiltaan realistista dataa. Kanta-aikasarjojen painokertoimia laskettiin Markov-ketju Monte-Carlo -menetelmällä. Työssä tutkittiin kohinaprofiilin ja -tason, regularisoinnin sekä pään mallin vaikutusta DICS:n laskemien estimaattien tarkkuuteen. Kohinan rakenne vaikutti merkittävästi lähdealueiden paikannukseen. Tulokset olivat hyviä realistisella kohinalla. Tilastolliset estimaatit muuttuivat epälineaarisesti regularisointia muutettaessa, eikä yleispätevää optimia ole olemassa. Koonnoksena tuloksista suositellaan regularisoinnissa arvoa alfa0 noin 0.1