Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/4589523D-31DD-4D2C-8983-E40AE8249C1E | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.29031 | - |
| Γλώσσα | en | - |
| Μέγεθος | 3,16 megabytes | en |
| Τίτλος | Non-linear synchronization methods on magnetoencephalographic (MEG) recordings | en |
| Δημιουργός | Antonakakis Marios | en |
| Δημιουργός | Αντωνακακης Μαριος | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Zervakis Michalis | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Ζερβακης Μιχαλης | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Lagoudakis Michael | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Λαγουδακης Μιχαηλ | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Mania Aikaterini | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Μανια Αικατερινη | el |
| Εκδότης | Technical University of Crete | en |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Electronic and Computer Engineering | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περίληψη | Cross-frequency coupling (CFC) is thought to represent a basic mechanism of functional integration of neural networks across distant brain regions. Furthermore, several neuroimaging studies have suggested that functional brain connectivity networks exhibit “small-world” characteristics, whereas recent studies based on structural data have proposed a “rich-club” organization of brain networks, whereby nodes of high connection density tend to connect among themselves compared to nodes of lower density. In this study, CFC profiles are analyzed from resting state Magnetoencephalographic (MEG) recordings obtained from 30 mild traumatic brain injury (mTBI) patients and 50 controls. The non-linear synchronization metric, mutual information (MI) is used to quantify the phase-to-amplitude coupling (PAC) of activity among the recording sensors in six nonoverlapping frequency bands. After forming the CFC-based functional connectivity graphs (FCGs), a tensor representation and tensor subspace analysis is employed to identify an set of features with low dimensions for subject classification as mTBI or control. Keeping FCGs from the optimal set of features, an “attack strategy” to is developed to compare the rich-club and small-world organizations and identify the model that describes best the topology of brain connectivity. Results show that the controls form a dense network of stronger local and global connections, indicating higher functional integration compared to mTBI patients. Furthermore, mTBI patients could be separated from controls with more than 90% classification accuracy. Finally, the results suggest that resting state MEG connectivity networks follow a rich-club organization. These findings indicate that the analysis of brain networks computed from resting-state MEG with PAC and tensorial representation of connectivity profiles may provide a valuable biomarker for the diagnosis of mTBI. | en |
| Τύπος | Μεταπτυχιακή Διατριβή | el |
| Τύπος | Master Thesis | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2015-09-08 | - |
| Ημερομηνία Δημοσίευσης | 2015 | - |
| Θεματική Κατηγορία | Biomedical signal processing | en |
| Θεματική Κατηγορία | Biological neural networks | en |
| Θεματική Κατηγορία | Nets, Neural (Neurobiology) | en |
| Θεματική Κατηγορία | Networks, Neural (Neurobiology) | en |
| Θεματική Κατηγορία | Neural nets (Neurobiology) | en |
| Θεματική Κατηγορία | neural networks neurobiology | en |
| Θεματική Κατηγορία | biological neural networks | en |
| Θεματική Κατηγορία | nets neural neurobiology | en |
| Θεματική Κατηγορία | networks neural neurobiology | en |
| Θεματική Κατηγορία | neural nets neurobiology | en |
| Θεματική Κατηγορία | Graph theory--Extremal problems | en |
| Θεματική Κατηγορία | Graphs, Theory of | en |
| Θεματική Κατηγορία | Theory of graphs | en |
| Θεματική Κατηγορία | graph theory | en |
| Θεματική Κατηγορία | graph theory extremal problems | en |
| Θεματική Κατηγορία | graphs theory of | en |
| Θεματική Κατηγορία | theory of graphs | en |
| Θεματική Κατηγορία | Learning, Machine | en |
| Θεματική Κατηγορία | machine learning | en |
| Θεματική Κατηγορία | learning machine | en |
| Βιβλιογραφική Αναφορά | Marios Antonakakis, "Non-linear synchronization methods on magnetoencephalographic (MEG) recordings ", Master Thesis, School of Electronic and Computer Engineering, Technical University of Crete, Chania, Greece, 2015 | en |
Copyright © DIAS 2013
