haku: @keyword korrelaatio / yhteensä: 20
viite: 9 / 20
| Tekijä: | Helle, Liisa |
| Työn nimi: | 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 | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2009 |
| Sivut: | 61 Kieli: eng |
| Koulu/Laitos/Osasto: | Informaatio- ja luonnontieteiden tiedekunta |
| Koulutusohjelma: | Teknillisen fysiikan ja matematiikan tutkinto-ohjelma |
| Oppiaine: | Lääketieteellinen tekniikka (Tfy-99) |
| Valvoja: | Ilmoniemi, Risto |
| Ohjaaja: | Taulu, Samu |
| OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
| Sijainti: | P1 Ark T80 | Arkisto |
| Avainsanat: | MEG spontaneous brain activity neural synchronizations correlation clinical study classification of neurological diseases MEG spontaani aivotoiminta neuraaliset synkronisaatiot korrelaatio kliininen tutkimus neurologisten sairauksien luokittelu |
| Tiivistelmä (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. |
| Tiivistelmä (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. |
| ED: | 2009-05-11 |
INSSI tietueen numero: 37401
+ lisää koriin
INSSI