The last twenty years presented increased interest for the study of cerebral processes caused by external events (stimuli). One of the most significant endogenous components of Evoked Potentials is the P600 component. The P600 component may be defined as the most positive peak in the time window between 500 and 800 msec after an eliciting stimulus. This component is thought to reflect the response selection stage of information processing. P600 component is usually less pronounced compared to other components, such as the N100 or the P300. Frequently the P600 component appears as a not-easily discernible secondary peak overlying the ascending negative-going slope of the P300 waveform. In our study we used ERP data from various groups of patients and healthy controls. Patients were recruited from the outpatient university clinic of Eginition Hospital of the University of Athens. The controls were recruited from hospital staff and local volunteer groups. The aim of the study is the implementation of classification systems for these groups, using P600 features. This is usually not achieved well using as features the ERPs amplitude and latency. So for that reason, in our study, we want to extract new features using advanced techniques for processing the original ERPs, such as the Independent Component Analysis (ICA) method. However as a precursor of ICA, is considered the Principal Component Analysis (PCA) method, which we used for comparison reasons to ICA. In the application of ICA we achieve the decomposition of the recorded signals in ICs, supposing temporally independent components and propose ICs selection techniques in order to recompose the P600 component. The next stage was the use of a classification method based on the features extracted using the original data, data extracted through PCA processing and ICA-processed data. First we applied Kolmogorov-Smirnov test to check the normality of the distribution of the features, then we used the Logistic Regression method for classification and finally we have done two implementations of classification using Probabilistic Neural Networks. The first implementation was done with the creation of 15 features from the P600 peak amplitudes from the subjects’ data and the second implementation was done with the creation of four meta-features from the subjects’ P600 amplitude data. The results show that the application of ICA, combined with the logistic regression classification technique, provides notable improvement, compared to the classification performance based on the original ERPs. The main merit of the application is that classification is based on single parameters, i.e. amplitude of the P600 component, or its latency or its termination latency, which are directly related to the brain mechanisms related to ERP generation and pathological processes. / Τα τελευταία 20 χρόνια παρουσιάζεται αυξημένο ενδιαφέρον για την μελέτη εγκεφαλικών επεξεργασιών που προκλήθηκαν από εξωτερικά γεγονότα (ερέθισμα). Ένα από τα πιο σημαντικά ενδογενή συστατικά των Προκλητών Δυναμικών είναι το συστατικό P600. Το συστατικό P600 μπορεί να οριστεί σαν η πιο θετική αιχμή στο χρονικό διάστημα μεταξύ 500 και 800 msec μετά από ένα εκλυτικό ερέθισμα. Το συστατικό αυτό θεωρείται ότι απεικονίζει το στάδιο επιλογής απόκρισης της επεξεργασίας πληροφορίας. Το συστατικό P600 είναι συνήθως λιγότερο έντονο συγκρίνοντας το με άλλα συστατικά, όπως το N100 ή το P300. Συχνά το συστατικό P600 εμφανίζεται ως μια δυσδιάκριτη δεύτερη αιχμή, επικαλύπτοντας την ανοδική αρνητική κλίση της κυματομορφής του P300. Στη μελέτη μας χρησιμοποιήσαμε δεδομένα ΠΔ από ποικίλες ομάδες ασθενών και υγιών μαρτύρων. Οι ασθενείς συλλέχθησαν από τη πανεπιστημιακή κλινική του Αιγηνήτειου Νοσοκομείου του Πανεπιστημίου Αθηνών. Οι υγιείς συλλέχθησαν από το προσωπικό του νοσοκομείου και ομάδες εθελοντών. Ο σκοπός της μελέτης είναι η εφαρμογή συστημάτων ταξινόμησης για αυτές τις ομάδες, χρησιμοποιώντας χαρακτηριστικά του P600. Αυτό συνήθως δεν επιτυγχάνεται καλά χρησιμοποιώντας σαν χαρακτηριστικά το πλάτος και τον λανθάνοντα χρόνο των ΠΔ. Για αυτό το λόγο, στην μελέτη μας, θέλουμε να εξάγουμε νέα χαρακτηριστικά χρησιμοποιώντας προηγμένες τεχνικές για επεξεργασία των αρχικών ΠΔ, όπως τη μέθοδο Ανάλυσης Ανεξαρτήτων Συνιστωσών (ICA). Εντούτοις ως πρόδρομο της ICA, θεωρείται η μέθοδος Ανάλυσης Κύριων Συνιστωσών (PCA), την οποία χρησιμοποιήσαμε για συγκριτικούς λόγους με την ICA. Στην εφαρμογή της ICA προχωρήσαμε στην αποσύνθεση των καταγραφόμενων σημάτων σε Ανεξάρτητες Συνιστώσες και διερευνήσαμε τρεις τεχνικές επιλογής ανεξαρτήτων συνιστωσών μέσω των οποίων επανασυνθέσαμε το συστατικό P600. Το επόμενο βήμα ήταν η χρήση μεθόδου ταξινόμησης βασισμένης στα χαρακτηριστικά που εξάχθηκαν χρησιμοποιώντας τα αρχικά δεδομένα, τα δεδομένα με επεξεργασία PCA και τα δεδομένα με επεξεργασία ICA. Πρώτα εφαρμόσαμε το τεστ Kolmogorov-Smirnov για τον έλεγχο της κανονικότητας της κατανομής των χαρακτηριστικών, μετά χρησιμοποιήσαμε τη μέθοδο Λογαριθμικής Παλινδρόμησης (Logistic Regression) για ταξινόμηση και τελικά πραγματοποιήσαμε δύο εφαρμογές ταξινόμησης χρησιμοποιώντας Πιθανοκρατικά Νευρωνικά Δίκτυα (Probabilistic Neural Networks). Η πρώτη εφαρμογή έγινε με την δημιουργία 15 χαρακτηριστικών από τα πλάτη των αιχμών του P600 από τα δεδομένα των ομάδων και η δεύτερη εφαρμογή έγινε με την δημιουργία τεσσάρων μετά-χαρακτηριστικών από τα δεδομένα των πλατών των ομάδων. Τα αποτελέσματα δείχνουν ότι η εφαρμογή της ICA, συνδυασμένη με την τεχνική ταξινόμησης λογαριθμικής παλινδρόμησης, παρέχει αξιοσημείωτη βελτίωση, συγκριτικά με την απόδοση ταξινόμησης βάση των αρχικών ΠΔ. Η κύρια αξία της εφαρμογής είναι ότι η ταξινόμηση πετυχαίνει ποσοστά μεγαλύτερα του 80% βασιζόμενη σε μία μόνο κάθε φορά παράμετρο, π.χ. το πλάτος του συστατικού P600, ή τον λανθάνοντα χρόνο του ή τον λανθάνοντα χρόνο τερματισμού του, οι οποίες σχετίζονται άμεσα με τους μηχανισμούς του εγκεφάλου σχετικούς με την παραγωγή ΠΔ και τις παθολογικές διαδικασίες.

Σκοπός αυτής της διπλωματικής εργασίας είναι η εξαγωγή γνώσης και χρήσιμων συμπερασμάτων για το σχετικά αδιερεύνητο θέμα της διάγνωσης των μαθησιακών δυσκολιών. Χρησιμοποιήθηκαν δεδομένα καταγραφής ηλεκτροεγκεφαλογραφημάτων ηρεμίας και εγκεφαλικών προκλητών δυναμικών υγιών και ατόμων με μαθησιακές δυσκολίες, τα οποία συλλέχθηκαν στο εργαστήριο Ψυχοφυσιολογίας του Αιγινητείου Νοσοκομείου. Από την ανάλυση αυτών των σημάτων προσδιορίστηκαν παράμετροι (π.χ συγκεκριμένες κορυφώσεις) που διαφοροποιούν στατιστικά τα άτομα με μαθησιακές δυσκολίες σε σχέση με τους υγιείς. Παράλληλα, εξετάστηκαν παράμετροι από την κλασική θεωρία βιοσημάτων όπως η ενέργεια και οι χαρακτηριστικοί ρυθμοί. Τέλος, επιλύθηκε το αντίστροφο πρόβλημα της ηλεκτροεγκεφαλογραφίας ώστε να βρεθούν οι ρευματικές πηγές που προκαλούν τα αντίστοιχα σήματα στην επιφάνεια του κεφαλιού. Από τις πηγές αυτές επιδιώχθηκε ο προσδιορισμός περιοχών του εγκεφάλου που πιθανώς να είναι υπεύθυνες για την εμφάνιση μαθησιακών δυσκολιών. / The present thesis aims at the extraction of knowledge and useful conclusions for the relatively uninvestigated phenomenon of learning difficulties. Patients and healthy controls were evaluated by a computerized version of the digit span Wechsler test and EEG/ERP signals were recorded from 15 scalp electrodes based on the international 10-20 system of electroencephalography. The phenomenon was investigated via processing and analysis of EEG/ERP signals of healthy and persons with learning difficulties. Some features were extracted from these signals that statistically differentiate these two groups. Furthermore, features from classical theory of biosignals such as energy and characteristic rhythms were investigated. Finally, the so-called electroencephalography inverse problem was solved in order to define the internal current sources. The localization of such sources in the brain aimed at defining brain regions that are potentially responsible for learning difficulties.

Η Ηλεκτροεγκεφαλογραφία (ΗΕΓ) και η Μαγνητοεγκεφαλογραφία (ΜΕΓ) αποτελούν δύο από τις πλέον ευρέως χρησιμοποιούμενες μη επεμβατικές μεθόδους μελέτης της λειτουργίας του ανθρώπινου εγκεφάλου, κατά τις οποίες καταγράφονται εξωτερικά του κρανίου, το ηλεκτρικό και το μαγνητικό πεδίο, που οφείλονται στη διέργεση εγκεφαλικών νευρώνων. Oι κύριες βιοηλεκτρικές πηγές των πεδίων που καταγράφονται σ’ αυτά, είναι ομάδες νευρώνων, που προτυποποιούνται με ένα ηλεκτρικό δίπολο. Αρχικά επιλέγεται το πλέον ρεαλιστικό πρότυπο των τριών φλοιών. Δηλαδή ως αγωγός θεωρείται ολόκληρο το κρανίο, συμπεριλαμβανομένου του δέρματος, των κρανιακών οστών, του εγκεφαλονωτιαίου υγρού και του εγκεφαλικού ιστού – περιοχές διαφορετικής ηλεκτρικής αγωγιμότητας – και υπολογίζεται το ηλεκτρικό δυναμικό και το μαγνητικό πεδίο, επιλύεται δηλαδή τόσο το ευθύ πρόβλημα ΗΕΓ, όσο και το αντίστοιχο ΜΕΓ, στη σφαιρική και στην ελλειψοειδή γεωμετρία. Το δεύτερο πρότυπο αφορά στην επίλυση του ευθέος προβλήματος ΗΕΓ για την περίπτωση όπου ο εγκεφαλικός ιστός θεωρηθεί ως ένα σφαιρικός αγωγός, στο εσωτερικό του οποίου βρίσκεται είτε ομόκεντρα μια σφαιρική περιοχή υγρού, οπότε χρησιμοποιείται για την επίλυση το σφαιρικό σύστημα συντεταγμένων, είτε έκκεντρα, οπότε χρησιμοποιείται αντίστοιχα το δισφαιρικό. Τέλος, ως αγωγός θεωρείται μια ομογενής σφαίρα, περίπτωση όπου η ακριβής και πλήρης αναλυτική λύση για το πρόβλημα του Βιομαγνητισμού είναι γνωστή. Η συνεισφορά όμως της διατριβής για το πρότυπο αυτό είναι στη δημιουργία χρήσιμων εργαλείων για την μετατροπή των αναπτυγμάτων των λύσεων σε σειρές, στις αντίστοιχες κλειστές μορφές μέσω της άθροισης των σειρών, καθώς και στην εξαγωγή συμπερασμάτων σχετικά με το αντίστροφο πρόβλημα ΗΕΓ, τα οποία προκύπτουν από τη γραφική επεξεργασία της κλειστής λύσης του ηλεκτρικού δυναμικού, όπως αυτή προέκυψε από τη μέθοδο των ειδώλων. / Electroenchephalography (EEG) and Magnetoenchephalophy (MEG) are common non invansive methods for studying the function of the human brain. Considering that the data of the generated electric potential (Electroencephalogram) and the magnetic field (Magnetoenchephalogram), takes place on or in the surrounding the head, the entire head, including the skin, the bones, the cerebrospinal fluid and the cerebral, regions which are characterizing by different electric conductivity are including. For this model, the direct Bioelectromagnetism problem is solved in both spherical and ellipsoidal geometry. Specifically, the leading terms of the electric potential in the exterior of the conductor and everywhere in the interior, as well as the leading quadrupolic term of the multipole expansion of the exterior magnetic induction field in the ellipsoidal geometry, are obtained. The reduction of the the ellipsoidal results to the corresponding spherical case, which has brought up useful conclusions concerning these two geometrical models, is also presented. The direct EEG problem is described, for the case where the entire cerebral is considered as a spherical conductor, which surrounds a fluid spherical region of different conductivity. When the two spherical regions are concentric, the problem is solved with the spherical geometry, but when these are eccentric the problem is solved with the bispherical geometry. Finally, the exact and complete analytic solution for the forward EEG problem is produced by the Image Theory for the homogeneous spherical conductor and is elaborated graphically. In particular, some electric potential distributions are produced on the surface of the spherical brain, where the equipotential curves are represented by circles. Considering these distributions, a parametric analysis of the position and the orientation o the moment dipole is accomplished for the current dipole that has considered in this thesis. Consequently, when the source is near the surface, the orientation of the moment is directed vertically to the zero equipotential circle to the increase potential, since the position vector of the source tends to become vertical to the maximum equipotential curves. The existence of special position and orientation of the source, for which the contribution in the external magnetic field is zero - and for the spherical case, where the position and the orientation of the sources are parallel - corresponds to parallel equipotential curves.