Analyse ungemittelter Daten
MEG-Signale werden vor der Quellenlokalisation üblicherweise auf die prominenteste stereotype Aktivierung gemittelt. Bei diesem Prozess wird unkorreliertes Rauschen unterdrückt und das Signal-zu-Rauschverhältnis verbessert. Der wesentliche Nachteil bei dieser Methode ist, dass durch die Mittelung die zeitliche Dynamik der einzelnen Gehirnantworten verloren geht. Informationen über schwächere Hirnsignale wird größtenteils unterdrückt, besonders wenn mehrere starke und schwache Hirnareale im Einklang agieren. Im Gegensatz dazu wird durch die separate Analyse ungemittelter Daten die zeitliche Dynamik bewahrt, allerdings bei schwachem Signal-zu-Rauschverhältnis. Ziel ist es daher, das Signal-zu-Rauschverhältnis durch die gezielte Extraktion der Signale, welche die Gehirnantworten wiederspiegeln, zu verbessern.
Grundlage bietet dafür die sogenannte Independent Component Analysis (ICA), eine Methode zur Bestimmung von statistisch unabhängigen Komponenten in einer Mischung von Signalen (Breuer et al., 2013; Dammers et al., 2013). Die Zerlegung in statistisch unabhängige Komponenten kann sowohl auf zeitliche als auch auf räumliche Signale angewendet werden. Die Hauptannahme in beiden Fällen ist, dass die zu zerlegenden Signale sich aus einer Mischung unabhängiger Signalkomponenten überlagern. So bestehen beispielsweise die MEG-Signale aus einer Mischung verschiedener Signalkomponenten, die durch Feldüberlagerung an verschiedenen Messpunkten ein unterschiedliches Mischsignal beschreiben. Mittels ICA und der sogenannten cross-trial-phase-statistic (CTPS) kann man selbst schwache Signalanteile aus den Überlagerungen der MEG-Signale extrahieren (Dammers et al., 2008, 2011). Die CTPS-Methode erkennt dabei unabhängig von der Signalstärke solche Komponenten, die an der Informationsverarbeitung auf immer wiederkehrende Ereignisse (z.B. nach auditorischer oder visueller Stimulation) beteiligt sind (Breuer et al. 2014). Durch Rücktransformation der beteiligten Komponenten in den Signalraum lassen sich Regionen der Netzwerke, die an den Informationsverarbeitungen beteiligt sind, mit einem deutlich verbesserten Signal-zu-Rausch-Abstand untersuchen.
Originalpublikationen
L. Breuer, J. Dammers, T. P. L. Roberts, and N. J. Shah,
“A Constrained ICA Approach for Real-Time Cardiac Artifact Rejection in Magnetoencephalography,”
IEEE Trans. Biomed. Eng., vol.61 pp 405-414 , no. 2, Feb. 2014.
L. Breuer, M. Axer, and J. Dammers,
“A new constrained ICA approach for optimal signal decomposition in polarized light imaging.,”
J. Neurosci. Methods, vol. 220, no. 1, pp. 30–38, Sep. 2013.
J. Dammers, L. Breuer, G. Tabbí, and M. Axer,
“Optimized Signal Separation for 3D-Polarized Light Imaging,”
in in Functional Brain Mapping and the Endeavor to Understand the Working Brain, F. Signorelli, Ed. InTech, 2013, pp. 355 – 374.
J. Dammers and M. Schiek,
“Detection of Artifacts and Brain Responses Using Instantaneous Phase Statistics in Independent Components,”
in Magnetoencephalography, W. Pang, Elizabeth, Ed. InTech, 2011, pp. 1–20.
Dammers, J., Schiek, M., Boers, F., Silex, C., Zvyagintsev, M., Pietrzyk, U., et al. (2008).
Integration of amplitude and phase statistics for complete artifact removal in independent components of neuromagnetic recordings.
IEEE transactions on bio-medical engineering, 55(10), 2353-62
Ansprechpartner
Dr. Jürgen Dammers
Group Leader: NeuroImaging Data Science
- Institut für Neurowissenschaften und Medizin (INM)
- Physik der Medizinischen Bildgebung (INM-4)
Raum 233