Loading…
Blind separation of dependent source signals for MEG sensory stimulation experiments
Kohl, Florian
Sensorisch evozierte Magnetenenzephalographie-Daten (MEG-Daten) sind stark durch das Hintergrundrauschen im Gehirn und durch technische Rauschquellen gestört. Um die Signalqualität zu verbessern sind moderne Verfahren der Signalverarbeitung notwendig, insbesondere für eine Single-Trial-Analyse. Für die Verbesserung der MEG-Signalqualität werden oft lineare Zerlegungsmethoden eingesetzt, wobei die Methoden der Independent Component Analysis (ICA) eine weite Verbreitung gefunden haben. Lineare Zerlegungsmethoden versuchen anhand gemischter Daten eine Entmischungsmatrix zu gewinnen, um durch eine lineare Entmischung die Quellsignale wiederherzustellen. ICA wird für MEG-Daten auch benutzt, um die Anzahl der Rauschquellen zu reduzieren - im optimalen Fall, um ein gewünschtes MEG-Quellsignal unverrauscht zu rekonstruieren. Für den Fall der sensorisch evozierten MEG-Daten treten die gewünschten MEG-Quellsignale erst nach erfolgter sensorischer Reizung auf. Eine ICA-Zerlegung evozierter MEG-Daten zeigt oft eine Komponente mit entsprechendem zeitlichen Verhalten; man ist versucht diese Komponente als das originale evozierte MEG-Quellsignal zu interpretieren. ICA nimmt jedoch die statistische Unabhängigkeit der Quellsignale an. Werden durch eine sensorische Stimulation mehrere Quellsignale im Gehirn evoziert, so kann die Unabhängigkeitsannahme verletzt sein. In dieser Arbeit wird in dem Zusammenhang abhängiger evozierter MEG-Quellsignale ICA untersucht und eine neue Zerlegungsmethoden vorgestellt. Es wird eine virtuelle Simulationsumgebung mit steuerbaren Quellsignalabhängigkeiten vorgestellt und zur Untersuchung der verschiedenen Zerlegungsverfahren eingesetzt. Es wird gezeigt, dass ICA in Sonderfällen stark abhängige Signale trennen kann. Anhand dieser Erkenntnis wird der Nutzen von ICA zur Signaltrennung und zur Unterraumanalyse von evozierten MEG-Daten diskutiert. Ein reales MEG-Experiment zeigt das Verhalten der Methoden auch für den Fall von echten evozierten MEG-Daten. Als neue Methode wird Time Domain Shifted Factor Analysis (TDSFA) vorgestellt. TDSFA basiert auf einer Taylorreihenentwicklung des Modells der Shifted Factor Analysis (SFA), welches eindeutig identifizierbar ist ohne die Unabhängigkeit der Quellsignale annehmen zu müssen. Die Verbindung zu den etablierten trilinearen Methoden wird untersucht, und es wird gezeigt, dass die etablierten trilinearen Methoden Schwierigkeiten mit zeitlicher Signalverschiebung haben. TDSFA bezieht Zeitverschiebung in das Modell ein und ist für die lineare Zerlegung von evozierten MEG-Daten besser geeignet. Für echte und simulierte evozierte MEG-Daten zeigen die Ergebnisse, dass ICA und andere moderne Methoden falsche Ergebnisse liefern können. Die neue Zerlegungsmehtode TDSFA liefert bessere Ergebnisse und weist hohes Potential im Kontext evozierter MEG-Daten auf.
Sensory stimulus evoked magnetoencephalography (MEG) data are known to be highly impacted by background brain and technical noise sources. In order to enhance the signal quality, sophisticated signal processing is necessary and becomes crucial when looking at single-trials. Often, linear decomposition techniques are utilized. Among many methods, those under the framework independent component analysis (ICA) are most popular. Linear decomposition aims at finding an unmixing matrix such that noise and signal sources can be recovered from the recorded data. ICA is used to reduce artifacts or, optimally, to obtain a clear copy of the evoked MEG source signal of interest. Specifically, in a sensory stimulation experimental setting, the underlying source signal of interest occurs after presenting a sensory stimulus. An ICA decomposition of evoked data often yields a component that shows this behavior; it is tempting to refer to this ICA component as the evoked source signal recovered from the recordings. However, ICA assumes independence among the underlying source signals. If more than one source signal is evoked by one or more stimuli, the ICA independence assumption can be violated. In the context of evoked dependent sources, this thesis investigates ICA and proposes a novel blind separation method. As starting point, a virtual evoked MEG experiment with adjustable source signal dependencies is designed and used for assessment of various decomposition methods. Furthermore, an audio-visual MEG data experiment is designed for a real world test. Rather surprisingly, it is demonstrated that ICA is able to recover highly dependent source signals - for specific source signal settings. Along this line, the use of ICA for decomposition as well as for subspace identification is discussed. Subsequently, the novel time domain shifted factor analysis (TDSFA) technique is proposed. In particular, TDSFA is based on a Taylor series expansion of the shifted factor analysis (SFA) model, which is unique without assuming independence among the source signals. The relation to a classic unique trilinear technique is investigated and it is shown that the trilinear technique can be very sensitive to shifts. Indeed, TDSFA accounts for shifts and is shown to be more suited for decomposition of evoked MEG data. Utilizing actual as well as virtual MEG data, the results show that ICA and other state of the art techniques can fail. The results suggest that the novel TDSFA technique has high potential as a decomposition technique in the context of evoked MEG source signals.
