Dissertação
{en_GB=Regression of EEG correlates of simultaneous fMRI signal in epilepsy} {} EVALUATED
{pt=As propriedades complementares das técnicas de Electroencefalografia (EEG) e imagem por Ressonância Magnética Funcional (fMRI), em particular o contraste Blood-Oxygen-Level-Dependent (BOLD), têm sido particularmente importantes no mapeamento da actividade epiléptica. As flutuações do sinal BOLD-fMRI médio extraídas das redes epilépticas previamente identificadas no fMRI de cinco doentes com epilepsia, baseada na aquisição simultânea das duas técnicas, foram estimadas a partir do EEG -EEG Fingerprint (EFP). EFPs basearam-se em três métricas ponderadas na potência de modo a prever o sinal BOLD: Linear Combination of EEG power over frequency bands (LC), Root Mean Squared Frequency (RMSF) e Total Power (TP). A performance destas usando diferentes métodos de regressão lineares foi comparada por meio de critérios de selecção. Os métodos considerados foram: Least Angle Regression (LAR) e Elastic Net Regularization, Stepwise Regression (SR) e, regressão dos mínimos quadrados (LS), por motivos de comparação. Foi verificado que quando os preditores de todos os canais do EEG eram incorporados, o SR destacava-se positivamente, enquanto que quando o estudo era realizado ao nível de cada canal, o Ridge Regression era escolhido, devido a propriedades que permitem minimizar o problema de overfitting. O LC sem Hemodynamic Response Funtion (HRF) pré-definida, foi consistemente o melhor modelo. Concluindo, este trabalho mostrou que o SR e RR do modelo LC sem HRF pré-definida tiveram os melhores resultados a prever o sinal BOLD. Esta metodologia poderá exibir importantes aplicações no uso das EFPs para modular o sinal BOLD nas redes epilépticas com base em técnicas de Neuro-Feedback (NF)., en=The complementary properties of the Electroencephalography (EEG) and the Blood Oxygen Level Dependent (BOLD)-Functional Magnetic Resonance Imaging (fMRI) techniques have been particularly important for mapping epileptic brain networks. We addressed this problem by estimating the EEG correlates -EEG Fingerprint (EFP)- of BOLD-fMRI fluctuations measured at specific distributed epileptic networks previously identified on the fMRI, based on simultaneous EEG-fMRI recordings from a group of five epilepsy patients. The EFPs were based on three power-weighted metrics: Linear Combination of EEG power over frequency bands (LC), Root Mean Squared Frequency (RMSF) and Total Power (TP) - in order to predict the BOLD changes. The resulting EFPs were estimated using different linear regression methods and, their prediction performance was compared by different selection criteria. The considered methods were: Elastic Net Regularization approach including Ridge and Lasso, Least Angle Regression (LAR), Stepwise Regression (SR) and Least-squares (LS). We found that when the predictors from all channels were integrated, the SR yielded the best measures, whereas when the investigation was restricted to each channel, Ridge Regression was chosen due to its favourable advantages dealing with the overfitting effect. In relation to the different metrics, LC with a flexible hemodynamic delay was consistently the best model. In conclusion, this work revealed that SR and Ridge of LC model with no-predefined delay performed best at predicting the BOLD signal of epileptic networks. This methodology may have important applications in the subsequent use of the epileptic EFPs to drive EEG-based Neuro-Feedback (NF) interventions. }
novembro 28, 2018, 16:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Patrícia Margarida Piedade Figueiredo
Departamento de Bioengenharia (DBE)
Professor Auxiliar
