Dissertação
{en_GB=Identification of EEG Fingerprints of Simultaneous fMRI in Resting State and Motor Imagery} {} EVALUATED
{pt=Nos últimos anos, as aquisições simultâneas de EEG-fMRI têm sido extensivamente utilizadas para compreender a relação entre o EEG e o fMRI em diversos contextos experimentais. O uso deste tipo de abordagens multimodais tem vindo a ser reconhecido como uma promissora ferramenta, devendo-se o seu sucesso às caracteristicas complementares das duas modalidades em questão. Porém, estas aquisições multimodais têm geralmente associado um alto custo, são desconfortáveis para os pacientes, e utilizam equipamento não-portátil. Tais desvantagens devem-se sobretudo ao uso de fMRI, pelo que têm motivado a procura de soluções capazes de utilizar somente o EEG como substituto para o EEG-fMRI. Neste contexto, o presente trabalho propõe investigar uma estratégia para a extração de features relevantes do EEG e aprendizagem dos respetivos pesos, de forma a prever a resposta BOLD simultânea. Os padrões eletrofisiológicos resultantes podem ser referidos como EEG Fingerprints (EFPs). A metodologia aqui proposta e implementada recorreu a métodos de apresendizagem automática, integrando algoritmos de regressão linear, de regularização e de cross validation. Foram levadas a cabo duas análises independentes, uma com dados de resting state e outra com dados adquiridos durante um ensaio de motor imagery. , en=Over the past few years, simultaneous EEG-fMRI recordings have been largely used to understand the link between EEG and fMRI in multiple conditions. The use of multimodal approaches that combine the two modalities has received recognition a promising new tool, owing to their highly complementary characteristics. However, such multimodal acquisitions are typically costly, non-portable and overall uncomfortable for patients, mostly due to the use of fMRI. This motivated the search for solutions capable of using only the widely available EEG as a surrogate of the simultaneous BOLD signal. Within this scope, this work investigated an integration strategy whereby relevant EEG-features were extracted and their coefficient estimates learnt so as to predict the simultaneous average BOLD signal measured at a specific distributed network. These network-specific EEG patterns were here referred to as EEG-Fingerprints (EFPs). The methodology employed relied on a machine learning approach that included linear regression algorithms and cross validation procedures. Independent analyses were performed for data recorded under two experimental conditions: during resting state; and during a motor imagery task. }
novembro 25, 2019, 14:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Patrícia Margarida Piedade Figueiredo
Departamento de Bioengenharia (DBE)
Professor Auxiliar
