search query: @instructor Taulu, Samu / total: 1
reference: 1 / 1
« previous | next »
Author: | Helle, Liisa |
Title: | Synchronous neural interactions as a biomarker: Experimental evaluation of a clinical MEG data analysis method |
Synkroniset neuraaliset vuorovaikutukset neurologisten tilojen luokittelussa: kliinisen data-analyysimenetelmän kokeellinen arviointi | |
Publication type: | Master's thesis |
Publication year: | 2009 |
Pages: | 61 Language: eng |
Department/School: | Informaatio- ja luonnontieteiden tiedekunta |
Degree programme: | Teknillisen fysiikan ja matematiikan tutkinto-ohjelma |
Main subject: | Lääketieteellinen tekniikka (Tfy-99) |
Supervisor: | Ilmoniemi, Risto |
Instructor: | Taulu, Samu |
OEVS: | Electronic archive copy is available via Aalto Thesis Database.
Instructions Reading digital theses in the closed network of the Aalto University Harald Herlin Learning CentreIn the closed network of Learning Centre you can read digital and digitized theses not available in the open network. The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/ You can read theses on the Learning Centre customer computers, which are available on all floors.
Logging on to the customer computers
Opening a thesis
Reading the thesis
Printing the thesis
|
Location: | P1 Ark T80 | Archive |
Keywords: | MEG spontaneous brain activity neural synchronizations correlation clinical study classification of neurological diseases MEG spontaani aivotoiminta neuraaliset synkronisaatiot korrelaatio kliininen tutkimus neurologisten sairauksien luokittelu |
Abstract (eng): | Important information about the state of the brain, e.g., hallmarks of several neurological diseases, may be present in the brain-originated magnetic fields, measured using MEG. To extract this potentially disease-specific information from the measured raw data, sophisticated data analysis methods are needed. However, this kind of reliable and verified diagnostic analysis methods have not been successfully developed so far. This Master's Thesis examines a recently proposed data analysis method which is developed for the classification of several neurological conditions based on the spontaneous MEG data. The aim of this study is to evaluate the potential of the method as a clinical application of MEG. For this purpose, original study is repeated using similar computational methods, i.e., the linear discriminant analysis which classifies partial correlation values of the ARIMA model residuals of the sensor-level MEG signals. This analysis is implemented and applied to 48 spontaneous MEG data sets of patients suffering from stroke, migraine, and Parkinson's disease, as well as of healthy controls. In addition, different stages of the analysis method are examined separately using MEG data from controls and empty room measurements. This study has manifested the proposed method to be incompatible in the analysis of MEG data. The physical nature of the magnetic fields measured by MEG has not been taken into account in the method development, which might have caused inappropriate approaches in the analysis. Thus, this method most likely removes major part of the brain-related information present in the MEG data. Consequently, the classification of the proposed analysis method might rely on the signals mostly reflecting device-originated artifacts. This Thesis indicates that it is highly unlikely that the proposed clinical MEG data analysis method could be used to reveal reliable disease-specific information about the neurological conditions. Nevertheless, the result does not exclude the clinical potential of an analysis of spontaneous MEG data. |
Abstract (fin): | Useiden neurologisten sairauksien uskotaan aiheuttavan aivojen toiminnassa muutoksia, jotka voidaan havaita korkean aikaresoluution kuvantamismenetelmillä, mm. magnetoenkefalografialla (MEG). Näiden tautitiloihin liittyvien muutosten löytämiseksi datasta tarvitaan kuitenkin hienostuneita data-analyysimenetelmiä, joiden tulisi olla luotettavia soveltuakseen kliiniseen käyttöön. Yrityksistä huolimatta tämänkaltaiseen analyysiin soveltuvaa menetelmää ei vielä ole onnistuttu kehittämään MEG:lle. Tämä diplomityö tarkastelee äskettäin ehdotettua data-analyysimenetelmää, joka pyrkii erottelemaan useita neurologisia potilasryhmiä toisistaan spontaanin MEG-datan perusteella. Työn tavoitteena on arvioida menetelmän käyttökelpoisuutta MEG-datan käsittelyssä, sekä sen mahdollisuuksia kliinisenä sovelluksena. Tarkastelu on suoritettu toteuttamalla alkuperäistä tutkimusta vastaavat laskennalliset menetelmät, eli anturitason MEG-datan ARIMA-mallin jäännöstermien osittaiskorrelaatioiden lineaarinen erotteluanalyysi geneettistä algoritmia käyttäen. Menetelmää on sovellettu yhteensä 48 spontaaniin MEG-dataan potilaista, jotka kärsivät Parkinsonin taudista, aivoverenkiertohäiriöstä tai tietyntyyppisestä migreenistä, sekä dataan terveistä koehenkilöistä. Menetelmän yksittäisiä vaiheita on myös tutkittu erikseen tarkastelemalla kontrollidataa koehenkilöistä sekä tyhjän huoneen mittauksista. Tämän tutkimuksen tarkastelut ovat osoittaneet useita ongelmakohtia ehdotetussa analyysimenetelmässä. Useat näistä virheellisistä lähestymistavoista johtuvat selkeästi siitä, että magneettikenttien luonnetta ei ole huomioitu menetelmän kehitysvaiheessa. Tämän seurauksena menetelmän jotkin vaiheet poistavat aivoperäistä magneettikenttää datasta, ja lopputuloksessa on mitä luultavimmin jäljellä lähinnä laiteperäisiä häiriösignaaleja. Ehdotetun luokittelumenetelmä ei siis luultavimmin tuota kliinisesti merkittävää informaatiota aivojen tilasta. Tämän diplomityön tulos ei kuitenkaan sulje pois mahdollisuutta kehittää spontaaniin MEG-dataan ja toisenlaiseen datankäsittelyyn perustuvaa diagnostista analyysimenetelmää. |
ED: | 2009-05-11 |
INSSI record number: 37401
+ add basket
« previous | next »
INSSI