Λαμβάνοντας υπ’ όψη τις διάφορες τεχνικές Blind Source Separation (BSS) που αναφέρονται στη βιβλιογραφία και που εφαρμόζονται σε πολλά πεδία ενδιαφέροντος, αποφασίσαμε να τις εφαρμόσουμε σε ανθρώπινο μαγνητοεγκεφαλογράφημα. Οι τεχνικές αυτές προσπαθούν να εξάγουν πηγές από σήμα το οποίο είναι γραμμικός συνδυασμός των πηγών. Απαραίτητη προϋπόθεση τα σήματα από τις πηγές να είναι στατιστικώς ανεξάρτητα. Πιο συγκεκριμένα, θεωρώντας τις πηγές στον εγκέφαλο ανεξάρτητες, η τεχνική που επιλέχθηκε είναι η Independent Component Analysis (ICA) και κάποιες παραλλαγές της που χρησιμοποιούν κυματίδια ώστε να εισάγουμε τη δυνατότητα περιορισμού στο χρόνο ή στο χώρο. Επιλέγοντας χωρικά ή χρονικά την περιοχή ενδιαφέροντος εστιάζουμε σε κάποια περιοχή του εγκεφάλου ή σε κάποια συγκεκριμένη χρονική στιγμή π.χ. μετά από κάποιο ερέθισμα. Θα χρησιμοποιήσουμε αυτές τις τεχνικές για να αναλύσουμε ανθρώπινο μαγνητοεγκεφαλογράφημα (MEG). Τα δεδομένα των καταγραφών είναι από το ινστιτούτο Riken στην Ιαπωνία. / Bearing in mind the Blind Source Separation Techniques mentioned in the literature and applied to many fields of interest, we decided to apply them on human MEG. These techniques extract sources from the initial signal, which is considered as linear combination of theses sources. It is required that the recorded signals are statistically independent. More specifically, considering the sources in the brain as independent, the method used is called Independent Component Analysis (ICA) and some versions which use wavelets in order to introduce spatial and temporal constraints. By selecting the region of interest either in space or in time, we focus on a region in the brain or on a specified latency e.g. after a stimulus. We use these methods to analyse MEG. The data are recorded in RIKEN institute in Japan.

Σκοπός της εργασίας είναι η ανάπτυξη μεθόδου εντοπισμού εγκεφαλικών ρυθμών στο χρόνο χρησιμοποιώντας περιορισμούς που στηρίζονται στα νευροφυσιολογικά χαρακτηριστικά του κάθε υθμού τόσο στο πεδίο του χώρου (spatial constraints) όσο και στο πεδίο της συχνότητας (frequency constraints). Η μέθοδος στηρίζεται στην τεχνική ανάλυσης σε ανεξάρτητες συνιστώσες (ICA) και δεν απαιτεί πολυκάναλες καταγραφές (MEG). Πιθανές εφαρμογές περιλαμβάνουν τον εντοπισμό α-ρυθμού, επιληπτικών κρίσεων, μ-ρυθμού και ρυθμών κυρίαρχων στα στάδια του ύπνου. Η προτεινόμενη μέθοδος μπορεί να χρησιμοποιηθεί για την ανάλυση καταγραφών ΗΕΓ τόσο σε πραγματικό χρόνο (online) όσο και σε προαποθηκευμένα δεδομένα (offline). / The goal of the present thesis is the development of a method for temporal detection of electrophysiological brain rhythms, using constraints based on neurophysiological, spatial and frequency characteristics of every rhythm. The method is based on Independent Component Analysis (ICA) and does not require multichannel recordings (MEG). Possible applications include temporal detection of α-rhythm, μ-rhythm and sleep dominant rhythms. The proposed method can be used in both online and offline EEG analysis.