Parkinson’s disease is a brain disorder associated with reduced dopamine levels in the brain, affecting cognition and motor control in the human brain. One of the motor controls that can be affected is eye movements and can therefore be critically affected in patients with Parkinson’s disease. Eye movement can be measured using eye trackers, and this data can be used for analyzing the eye movement characteristics in Parkinson’s disease. The eye movement analysis provides the possibility of diagnostics and can therefore lead to further insights into Parkinson’s disease. In this thesis, feature extraction of clinical relevance in diagnosing Parkinson’s patients from eye movement data is studied. We have used an autoencoder (AE) constructed to learn micro and macro-scaled representation for eye movements and constructed three different models. Learning of the AEs was evaluated using the F1 score, and differences were statistically assessed using the Wilcoxon sign rank test. Extracted features from data based on patients and healthy subjects were visualized using t-SNE. Using the extracted features, we have measured differences in features using cosine and Mahalanobis distances. We have furthermore clustered the features using fuzzy c-means. Qualities of the generated clusters were assessed by F1-score, fuzzy partition coefficient, Dunn’s index and silhouette index. Based on successful tests using a test data set of a previous publication, we believe that the network used in this thesis has learned to represent natural eye movement from subjects allowed to move their eye freely. However, distances, visualizations, clustering all suggest that latent representations from the autoencoder do not provide a good separation of data from patients and healthy subjects. We, therefore, conclude that a micro-macro autoencoder does not suit the purpose of generating a latent representation of saccade movements of the type used in this thesis. / Parkinsons sjukdom är en hjärnsjukdom orsakad av minskade dopaminnivåer i hjärnan, vilket påverkar kognition och motorisk kontroll i människans hjärna. En av de motoriska kontrollerna som kan påverkas är ögonrörelser och kan därför vara kritiskt påverkat hos patienter diagnostiserade med Parkinsons sjukdom. Ögonrörelser kan mätas med hjälp av ögonspårare, som i sin tur kan användas för att analysera ögonrörelsens egenskaper vid Parkinsons sjukdom. Ögonrörelseanalysen ger möjlighet till diagnostik och kan därför leda till ytterligare förståelse för Parkinsons sjukdom. I denna avhandling studeras särdragsextraktion av ögonrörelsedata med en klinisk relevans vid diagnos av Parkinsonpatienter. Vi har använt en autoencoder (AE) konstruerad för att lära sig mikro- och makrosackadrepresentation för ögonrörelser och konstruerat tre olika modeller. Inlärning av AE utvärderades med hjälp av F1-poängen och skillnader bedömdes statistiskt med hjälp av Wilcoxon rank test. Särdragsextraktionen visualiserades med t-SNE och med hjälp av resultatet ifrån särdragsextraktion har vi mätt skillnader med cosinus- och Mahalanobis- avstånd. Vi har dessutom grupperat resultatet ifrån särdragsextraktionen med fuzzy c-means. Kvaliteten hos de genererade klusterna bedömdes med F1- poäng, suddig fördelningskoefficient, Dunns index och silhuettindex.Sammanfattningsvis finner vi att en mikro-makro-autokodare inte passar syftet med att analysera konstgjorda ögonrörelsesdata. Vi tror att nätverket som används i denna avhandling har lärt sig att representera naturlig ögonrörelse ifrån en person som fritt får röra sina ögon.

No description available.

No description available.

Parkinson’s disease (PD) is one of the most common neurodegenerative brain disorders, commonly diagnosed and monitored via clinical examinations, which can be imprecise and lead to a delayed or inaccurate diagnosis. Therefore, recent research has focused on finding biomarkers by analyzing brain networks’ neural activity to find abnormalities associated with PD pathology. Brain signals can be measured using Magnetoencephalography (MEG) or Electroencephalogram (EEG), which have demonstrated their practical use in decoding neural activity. Nevertheless, interpreting and labeling human neural activity measured using MEG/EEG is yet a challenging task requiring vast of time and expertise. In addition, there is a risk of introducing bias or omitting important information not recognizable by humans. This thesis investigates whether it is possible to find meaningful features relevant to PD by uncovering the brain signals’ underlying structure using self-supervised learning (SSL), requiring no labels or hand-crafted features. Four experiments on one EEG and one MEG dataset were conducted to evaluate if the features found during the SSL were meaningful, including t-SNE, silhouette coefficient, Kolmogorov-Smirnov test, and classification performance. Additionally, transfer learning between the two datasets was tested. The SSL model, TS-TCC, was employed in this thesis due to its outstanding performance on two other EEGdatasets and its training efficiency. The evaluation of the EEG dataset inferred it was feasible to find meaningful features to distinguish PD from healthy controls to some extent using SSL. However, more investigations of reusing the features in a downstream task are needed. The evaluation of the MEG dataset did not reach the same satisfying result, the proposed reason, among others, was the amount of data. Lastly, transfer learning was unsuccessful in the setting of transforming knowledge from the EEG to the MEG dataset. / Parkinsons sjukdom är en av de mest förekommande neurodegenerativa hjärnsjukdomarna. Vanligtvis diagnostiseras och övervakas sjukdomen via kliniska undersökningar, dessa kan vara diffusa och leda till en fördröjd eller en felaktig diagnos. Den senaste forskning har därför fokuserat på att hitta nya biomarkörer, bland annat genom att analysera hjärnnätverkens neurala aktivitet för att hitta abnormiteter associerade med parkinsons patologi. Magnetoencefalografi (MEG) och elektroencefalogram (EEG) har visat sig vara bra tekniker för att avkoda neural aktivitet och kan därmed användas för att mäta hjärnsignaler. Dessvärre är det en utmanande uppgift att tolka och märka hjärnsignaler, det kräver mycket tid och expertis. Det finns också en risk att märkningen inte blir helt objektiv eller att viktig information som inte är upptäckbar av människor utelämnas. Denna avhandling undersöker om det är möjligt att hitta meningsfulla särdrag relevanta för parkinsons sjukdom medhjälp av självövervakad inlärning (SSL), som varken kräver etiketter eller handgjorda särdrag. För att utvärdera om särdragen funna av SSL är meningsfulla utfördes fyra experiment på ett EEG och ett MEG-dataset. Experimenten inkluderade tSNE, siluettkoefficienten, Kolmogorov-Smirnov-testet och klassificeringsprestanda. Dessutom utvärderades möjligheten att överföra särdrag mellan de två dataseten för att nå bättre resultat. TS-TCC användes som SSL modell i denna avhandling på grund av dess prestanda på två andra EEG-dataset och dess effektivitet när det kommer till träning. Utvärderingen av EEG-datat visade på att det var möjligt att hitta meningsfulla särdrag för att till viss del skilja patienter från friska kontroller. Däremot så behövs vidare undersökning av användandet av särdragen i en klassificerare. Utvärderingen av MEG-datat nådde inte samma tillfredsställande resultat; anledningen kan bland annat vara mängden data. Slutligen, det var inte möjligt att överföra särdrag mellan EEG och MEG-datat för att nå ett bättre resultat.

No description available.

No description available.

Dopamine replacement therapy is the main method of treating Parkinson’s Disease (PD), however over time this treatment causes increasingly abnormal, involuntary movements. This symptom, known as Levodopa-Induced-Dyskinesia (LID) is associated with aberrant, high frequency oscillations (HFOs) in the motor cortex and basal ganglia, as demonstrated with implanted electrodes in human Parkinson’s patients as well as in a rat model of Parkinson’s Disease. However, despite efforts to determine if the same high frequency oscillations are also present during dyskinesia in the widespread 6-OHDA mouse model of Parkinson’s Disease, studies have been unable to do so. By building and implanting a 64-channel multi-electrode array into a unilateral 6-OHDA lesioned mouse, we were able to record HFOs at 80Hz and >100Hz in the motor cortex, basal ganglia and thalamus in the lesioned hemisphere during LID. We also recorded bilateral HFOs at >100Hz in the intact hemisphere. With this work we show that the same HFOs that are present in the motor cortex and basal ganglia of rats and humans are also present in mice during dyskinesia. This work will act to further validate the 6-OHDA PD-model in mice and provide opportunities to investigate new treatments for Parkinson’s Disease, dyskinesia and other neurological conditions. It will also serve as a model to study a purposed mechanism underlying the information processing in populations of neurons. / Dopaminbehandling är den mest förekommande metoden för att behandla Parkinsons sjukdom men detta orsakar dessvärre en bieffekt i form av gradvis förvärrande ofrivilliga rörelser. Detta beteendemönster kallas för Levodopa-Inducerad-Dyskinesi (LID) och med hjälp av elektrodimplantat i hjärnan, på parkinsonpatienter och djurmodeller av parkinsons, har man kunnat se att beteendet är förknippat med högfrekventa oscilleringar (HFO) av hjärnaktivitet i motorcortex och basala ganglierna. Trots försök att kartlägga om dessa högfrekventa oscilleringar också är närvarande i den populära 6-OHDA musmodellen av Parkinsons sjukdom, så har man hittills inte lyckats demonstrera detta. Genom att bygga och implantera ett elektrodimplantat med 64 kanaler i en ensidigt-leisonerad 6-OHDA musmodell av Parkinsons sjukdom så kunde vi åskådliggöra HFO i motor cortex, basala ganglierna och thalamus i den lesionerade hjärnhalvan under LID. Vi kunde också påvisa HFO som sträckte sig över till den intakta hjärnhalvan, med frekvenser över 100 Hz. Denna forskning ger stöd att 6-OHDA modellen för Parkinsons i möss är valid och ger möjlighet till nya metoder att utforska och behandla Parkinsons, dyskinesi och andra neurologiska åkommor. Studien lägger också grunden för framtida studier som ämnar att undersöka föreslagna mekanismer bakom sättet populationer av neuroner bearbetar information. / ingår i ett projekt finansierat av Vetenskapsrådet #2018-02717

Syfte: Syftet med denna studie var att undersöka sambandet mellan fysisk aktivitetsnivå, depressiva symtom och funktionshinder hos personer med Parkinsons sjukdom. Därtill kartlägga fysisk aktivitetsnivå, depressiva symtom samt funktionshinder bland personer med Parkinsons. Bakgrund: Parkinsons sjukdom är en av de mest förekommande neurodegenerativa sjukdomarna. Sjukdomen är kopplad till både motoriska och icke-motoriska symtom såsom depressiva symtom. Metod: 30 personer inkluderades i denna studie. I denna studie användes IPAQ-SF för att mäta fysisk aktivitetsnivå, MADRS-S för att mäta depressiva symtom samt WHODAS 2.0 för att skatta funktionshinder. Formulären sammanställdes i en webbenkät som publicerades via länk på Facebooksidor ägnade åt Parkinsons sjukdom. Resultat: Utav inkluderade i studien hade 4 (13.3%) låg fysisk aktivitetsnivå, 13 (43.3%) måttlig samt 13 (43.3%) hög. 16 (53.3%) klassades som väsentligen obesvärad, 11 (36.7%) som mild depression, 3 (10.0%) som måttlig samt ingen som svår depression. Bland de inkluderade var medianen för WHODAS 2.0 enligt följande: förstå och kommunicera 3.5 (2.0-5.0), förflyttning 4.5 (2.5-6.5), personlig vård 2.0 (2.0-3.5), relationer 4.0 (3.0-5.5), dagliga aktiviteter 4.5 (3.0-6.5) samt delaktighet i samhället 4.0 (3.0-6.0). Sambandet mellan fysisk aktivitetsnivå och depressiva symtom gav r=0.31 p=0.10. Sambandet mellan fysisk aktivitetsnivå och funktionshinder visade r=0.45 p=0.02. Sambandet mellan depressiva symtom och funktionshinder visade r=0.74 p=0.01. Slutsatser: En måttlig till hög fysisk aktivitetsnivå var vanligt. Likaså var förekomsten av depression omfattande. Förekomsten av funktionshinder var därutöver relativt låg. Korrelationen mellan samtliga variabler anses vara låg frånsett den mellan depressiva symtom och funktionshinder, vilken var måttlig. / Aim: The aim of this study is to explore the correlation between physical activity level, depressive symptoms and health and function in persons with Parkinson’s disease. In addition, this study aims to examine and map physical activity level, depressive symptoms and health and function among persons with Parkinson’s disease. Background: Parkinson’s disease is one the most widespread neurodegenerative diseases. The disease can present itself in either motor or non-motor symptoms, such as depressive symptoms. Method: 30 participants were included in this study. IPAQ-SF was used to measure physical activity level, MADRS-S to measure depressive symptoms and WHODAS 2.0 to measure health and function. The questionnaires were compiled in a web survey which was then posted on various Facebook pages aimed at Parkinson’s disease. Results: Among participants included 4 (13.3%) had low physical activity level, 13 (43.3%) moderate and 13 (43.3%) high. 16 (53.3%) were classed as having no depression, 11 (36.7%) as mild depression, 3 (10.0%) as moderate and none as severe depression. The median for the respective domain of were as follows: cognition 3.5 (2.0-5.0), mobility 4.5 (2.5-6.5), self care 2.0 (2.0-3.5), getting along with people 4.0 (3.0-5.5), life activities 4.5 (3.0-6.5), participation 4.0 (3.0-6.0). The correlation between physical activity level and depressive symptoms provided r=0.31 p=0.10, physical activity level and health and function r=0.45 p= 0.02 and depressive symptoms and health and function r=0.74 p=0.01. Conclusions: This study demonstrated a prominent occurance of high and moderate levels of physical activity. Likewise, the prevalence of depression was extensive. In addition, the incidence of disability was apparently low. The correlation between all variables is considered to be low apart from that between depressive symptoms and disability, which was moderate.

Parkinson’s Disease (PD) is the fastest growing neurodegenerative disease, currently affecting two to three percent of the population over 65. Studying functional connectivity (FC) in PD patients may provide new insights into how the disease alters brain organization in different subjects. We explored persistent homology (PH) as a method for studying FC based on the functional magnetic resonance imaging (fMRI) recordings of 63 subjects, of which 56 were diagnosed with PD.  We used PH to translate each set of fMRI recordings into a stable rank. Stable ranks are homological invariants that are amenable for statistical analysis. The pipeline has multiple parameters, and we explored the effect of these parameters on the shape of the stable ranks. Moreover, we fitted functions to reduce the stable ranks to points in two or three dimensions. We clustered the stable ranks based on the fitted parameter values and based on the integral distance between them. For some of the parameter combinations, not all clusters were located in the space covered by controls. These clusters correspond to patients with a topologically distinct connectivity structure, which may be clinically relevant. However, we found no relation between the clusters and the medication status or cognitive ability of the patients. It should be noted that this study was an exploration of applying persistent homology to PD data, and that statistical testing was not performed. Consequently, the presented results should be considered with care. Furthermore, we did not explore the full parameter space, as time was limited and the data set was small. In a follow-up study, a measurable desired outcome of the pipeline should be defined and the data set should be expanded to allow for optimizing over the full parameter space. / Parkinsons sjukdom är den snabbast växande neurodegenerativa sjukdomen och drabbar för närvarande två till tre procent av befolkningen över 65 år. Att studera funktionell konnektivitet (FC) hos patienter med Parkinson kan ge nya insikter om hur sjukdomen förändrar hjärnans uppsättning i olika områden. Vi använde oss av persistent homologi (PH) som en metod för att studera FC baserat på inspelningar av funktionell magnetresonanstomografi (fMRI) av 63 försökspersoner varav 56 hade diagnosen PD. Vi använde oss av persistent homologi (PH) som en metod för att studera FC baserat på inspelningar av funktionell magnetresonanstomografi (fMRI) av 63 försökspersoner varav 56 hade diagnosen PD. Vi använde PH för att översätta varje uppsättning fMRI-prov vardera till en stable rank. Stable ranks är homologiska invarianter som är lämpliga för statistisk analys. Pipelinen har flera parametrar och vi undersökte effekten av dessa parametrar på formen av dessa stable ranks. Vi anpassade funktioner för att reducera alla stable ranks till punkter i två eller tre dimensioner. Vi grupperade alla stable ranks utifrån de anpassade parametervärdena och utifrån det integrala avståndet mellan dem. För vissa parameterkombinationer kunde inte alla kluster inom det område som täcks av kontrollerna bli funna. Dessa kluster motsvarar patienter med en topologiskt distinkt konnektivitetsstruktur, vilket kan vara kliniskt relevant. Vi fann dock inget samband mellan klustren och patienternas läkemedelsstatus eller kognitiva förmåga.  Det bör noteras att den här studien var en undersökning på tillämpningen av persistent homologi på PD-data och att statistiska tester inte utfördes. Följaktligen bör de presenterade resultaten betraktas med försiktighet. Dessutom undersökte vi inte hela parameterutrymmet eftersom tiden var begränsad och datamängden liten. I en uppföljningsstudie bör man definiera ett mätbart önskat resultat av pipelinen och datamängden bör utökas för att möjliggöra optimering av hela parameterutrymmet.

In this thesis, two different architecture designs of a Multi-Layer Perceptron network have been implemented. One architecture being an ordinary MLP, and in the other adding DenseNet inspired skip connections to an MLP architecture. The models were used and evaluated on the classification task, where the goal was to classify if subjects were diagnosed with Parkinson’s disease or not based on vocal features. The models were trained on an openly available dataset for Parkinson’s classification and evaluated on a hold-out set from this dataset and on two datasets recorded in another sound recording environment than the training data. The thesis searched for the answer to two questions; How insensitive models for Parkinson’s classification are to the sound recording environment and how the proposed skip connections in an MLP model could help improve performance and generalization capacity. The thesis results show that the sound environment affects the accuracy. Nevertheless, it concludes that one would be able to overcome this with more time and allow for good accuracy when models are exposed to data from a new sound environment than the training data. As for the question, if the skip connections improve accuracy and generalization, the thesis cannot draw any broad conclusions due to the data that were used. The models had, in general, the best performance with shallow networks, and it is with deeper networks that the skip connections are argued to help improve these attributes. However, when evaluating on the data from a different sound recording environment than the training data, the skip connections had the best performance in two out of three tests. / I denna avhandling har två olika arkitektur designer för ett artificiellt flerskikts neuralt nätverk implementerats. En arkitektur som följer konventionen för ett vanlig MLP nätverk, samt en ny arkitektur som introducerar DenseNet inspirerade genvägs kopplingar i MLP nätverk. Modellerna användes och utvärderades för klassificering, vars mål var att urskilja försökspersoner som friska eller diagnostiserade med Parkinsons sjukdom baserat på röst attribut. Modellerna tränades på ett öppet tillgänglig dataset för Parkinsons klassificering och utvärderades på en delmängd av denna data som inte hade använts för träningen, samt två dataset som kommer från en annan ljudinspelnings miljö än datan för träningen. Avhandlingen sökte efter svaret på två frågor; Hur okänsliga modeller för Parkinsons klassificering är för ljudinspelnings miljön och hur de föreslagna genvägs kopplingarna i en MLP-modell kan bidra till att förbättra prestanda och generalisering kapacitet. Resultaten av avhandlingen visar att ljudmiljön påverkar noggrannheten, men drar slutsatsen att med mer tid skulle man troligen kunna övervinna detta och möjliggöra god noggrannhet i nya ljudmiljöer. När det kommer till om genvägs kopplingarna förbättrar noggrannhet och generalisering, är avhandlingen inte i stånd att dra några breda slutsatser på grund av den data som användes. Modellerna hade generellt bästa prestanda med grunda nätverk, och det är i djupare nätverk som genvägs kopplingarna argumenteras för att förbättra dessa egenskaper. Med det sagt, om man bara kollade på resultaten på datan som är ifrån en annan ljudinspelnings miljö så hade genvägs arkitekturen bättre resultat i två av de tre testerna som utfördes.