No description available.

No description available.

Σκοπός της παρούσας διδακτορικής διατριβής είναι η ανάπτυξη και η εφαρμογή εξελιγμένων αλγορίθμων ανάλυσης ηλεκτροεγκεφαλογραφήματος ηρεμίας (rest EEG) και προκλητών δυναμικών (ERP) για την εξαγωγή νευροφυσιολογικών συμπερασμάτων σχετικά με νευρολογικές/ψυχιατρικές ασθένειες. Οι τεχνικές που αναπτύσσονται εφαρμόζονται τόσο σε συνθετικά σήματα όσο και σε πραγματικά σήματα μαρτύρων και ατόμων με δυσλεξία, που υποβάλλονται στην ακουστική δοκιμασία Wechsler. Αρχικά μελετούνται τα συμβατικά χαρακτηριστικά προκλητών δυναμικών που αποτελούνται από τα πλάτη των κορυφώσεων και τους λανθάνοντες χρόνους πραγματοποίησής τους μετά το ερέθισμα. Μέσω στατιστικών αναλύσεων αναδεικνύεται ότι τα άτομα με δυσλεξία παρουσιάζουν σημαντικά μικρότερο πλάτος κορύφωσης N100 το οποίο μάλιστα συσχετίζεται με την απόδοση μνήμης. Επίσης, ο προσυνειδητός χρόνος απόκρισης στα ηχητικά ερεθίσματα παρουσιάζεται σε συγκεκριμένα ηλεκτρόδια σημαντικά παρατεταμένος σε άτομα με δυσλεξία. Οι ενεργειακές διαφοροποιήσεις στα φάσματα EEG/ERP προσφέρουν σημαντική πληροφορία σχετικά με το βαθμό ενεργοποίησης των διαφόρων περιοχών του εγκεφάλου. Η ανάλυση ενεργειακών διαφοροποιήσεων πραγματοποιείται στο πεδίο χρόνου-συχνότητας, αναδεικνύοντας χρονικές μεταβολές του φασματικού περιεχομένου. Στο πλαίσιο αυτό, αξιολογούνται συγκριτικά τεχνικές αναπαράστασης χρόνου-συχνότητας τόσο δεύτερης τάξης όσο και προσαρμοστικές. Ο αλγόριθμος matching pursuit αποδεικνύεται ιδιαίτερα αποτελεσματικός στη μείωση των διαγώνιων όρων και στην ανάδειξη ενεργειακών κορυφών. Για τη στατιστική αποτίμηση των ενεργειακών διαφορών στις ζώνες συχνοτήτων δ (0-4 Hz), θ (5-7 Hz), α (8-13 Hz), β (14-30 Hz), προτείνεται μεθοδολογία βασισμένη στο συνδυασμό μεθόδων κανονικοποίησης και διόρθωσης πολλαπλών συγκρίσεων. Η ύπαρξη σημαντικών ενεργειακών διαφοροποιήσεων ενδεχόμενα είναι απόρροια του διαφορετικού τρόπου λειτουργικής συνδεσιμότητας μεταξύ των δύο μελετούμενων ομάδων (μαρτύρων, ατόμων με δυσλεξία). Για το σκοπό αυτό, υπολογίζονται μεγέθη συνδεσιμότητας και αιτιότητας μεταξύ ηλεκτροεγκεφαλογραφικών καταγραφών, με χρήση του μοντέλου πολλαπλής παλινδρόμησης σε συνδυασμό με τις μεθόδους εκτίμησης Yule-Walker, Burg και Least Squares, καταδεικνύοντας την ανωτερότητα των δύο τελευταίων όσον αφορά στην ακρίβεια πρόβλεψης. Μετά από εκτεταμένη συγκριτική αξιολόγηση των μεγεθών αιτιότητας, προτείνεται ένα νέο μέγεθος ανάδειξης των άμεσων ροών δραστηριότητας, το οποίο βασίζεται στο συνδυασμό της μη κανονικοποιημένης κατευθυνόμενης συνάρτησης μεταφοράς και της μερικής κατευθυνόμενης συμφωνίας. Το μέγεθος αυτό αποδεικνύεται ιδιαίτερα αποδοτικό στη μείωση ψευδών ή μη άμεσων ροών και παρουσιάζει φασματικές ιδιότητες παρόμοιες με αυτές των εμπλεκόμενων κυματομορφών. Η εφαρμογή του σε ηλεκτροεγκεφαλογράφημα ηρεμίας, όπου ικανοποιείται η συνθήκη στασιμότητας, οδηγεί στην ανάδειξη διαφοροποιήσεων σε συγκεκριμένες ροές δραστηριότητας. Στην περίπτωση μη στάσιμων χρονοσειρών, όπως είναι τα προκλητά δυναμικά, χρησιμοποιείται δυναμικό μοντέλο πολλαπλής παλινδρόμησης για την εκτίμηση των μεγεθών σύζευξης. Μελετάται η ικανότητας αναπαράστασης γρήγορα μεταβαλλόμενων αιτιακών σχέσεων, με χρήση τόσο της προσέγγισης μικρού χρονικού παραθύρου όσο και προσαρμοζόμενων φίλτρων Kalman. Η μελέτη περιλαμβάνει την επίδραση του επιπέδου θορύβου, του συντελεστή προσαρμογής και της χρονικής μεταβολής των συνδέσεων του προτύπου συνδεσιμότητας. Το φίλτρο Kalman αποδεικνύεται ιδιαίτερα ακριβές στην εκτίμηση της χρονικής εξέλιξης των συντελεστών του μοντέλου τόσο σε συνθετικά όσο και σε πραγματικά ηλεκτροεγκεφαλογραφικά δεδομένα. Επιπλέον, μελετήθηκε η προβλεψιμότητα/πολυπλοκότητα των χρονοσειρών, με χρήση μεγεθών φασματικής και προσεγγιστικής εντροπίας. Η φασματική εντροπία και οι παραλλαγές της αποτελούν μεγέθη που αναδεικνύουν τη φασματική πολυπλοκότητα μιας χρονοσειράς και σχετίζονται με φαινόμενα συγχρονισμού και επικράτησης συγκεκριμένων ζωνών συχνοτήτων. Επειδή χρειάζεται να μελετηθεί η χρονική εξέλιξη της πολυπλοκότητας αυτής, τα μεγέθη αυτά υπολογίζονται τόσο με χρήση μετασχηματισμού κυματιδίου όσο και με χρήση βέλτιστου πυρήνα, καταδεικνύοντας την ανωτερότητα του τελευταίου στο διαχωρισμό μεταξύ των δύο ομάδων (μαρτύρων, ατόμων με δυσλεξία). Η αναπαράσταση με χρήση βέλτιστου πυρήνα επιτρέπει την προσαρμογή του πυρήνα σε κάθε υπό ανάλυση σήμα, κάτι το οποίο έχει ιδιαίτερη σημασία σε περιπτώσεις που παρατηρείται έντονη διακύμανση μεταξύ των καταγραφών. Τέλος, μέσω της προσεγγιστικής εντροπίας μελετάται η ύπαρξη όμοιων προτύπων παρατηρήσεων κατά μήκος των χρονοσειρών τόσο σε συγκεκριμένα ηλεκτρόδια όσο και μεταξύ ηλεκτροδίων. Οι μέθοδοι που παρουσιάζονται στο πλαίσιο της παρούσας διδακτορικής διατριβής συμβάλλουν στην πιο αντικειμενική και αξιόπιστη μελέτη συγχρονισμού, αιτιακών σχέσεων και πολυπλοκότητας κατά την ανάλυση ηλεκτροεγκεφαλογραφικών καταγραφών. / The purpose of the present Ph.D. thesis is to develop and apply advanced algorithms for EEG/ERP signal analysis in order to study neurophysiological alterations associated with dyslexia. The used methods aim at a reliable analysis of synchronization, causal connectivity and complexity of EEG/ERP signals and are evaluated on both synthetic and real EEG/ERP signals of dyslexics and controls, acquired during Wechsler auditory test. First, the conventional components of ERP waveforms (peak amplitudes, latencies) are studied. Statistical analysis points out that dyslexics’ signals present significantly lower N100 amplitudes which are known to be associated with memory performance. An important parameter in dyslexia is the pre-attentive reaction time to auditory stimuli which is reflected through P50 latency and is found to be significantly prolonged at specific electrodes. Energy differentiations in time-frequency between the two groups (dyslexics and controls) are examined, enabling study of the temporal changes of ERP content. Various second order and adaptive time-frequency methods are comparatively assessed in terms of their accuracy in representing temporally changing spectra. Matching pursuit is proved to be quite effective in cross terms suppression and representation of energy peaks. Significant energy differentiations at delta (0-4 Hz), theta (5-7 Hz), alpha (8-13 Hz) and beta (14-30 Hz) frequency bands are detected, through a methodology of statistical evaluation based on normalization and multiple comparisons correction methods. The presence of significant energy differentiations may be the result of differing functional connectivity patterns between the two groups (controls, dyslexics). In order to study causal connectivity patterns, the multivariate autoregressive model is estimated using the Yule-Walker, Burg and Least Squares methods, with Burg and Least Squares proved to provide superior performance in terms of prediction error. A new measure for the estimation of direct causal interactions is proposed, which is based on the combination of the full frequency directed transfer function and the partial directed coherence, exhibiting spectral properties similar with those of the involved signals, and increased efficiency in suppressing false and non direct flows. Study of rest EEG connectivity patterns, by means of the new connectivity measure, revealed differentiations in specific activity flows between the two groups under study (controls and dyslexics). In order to calculate coupling measures of non-stationary signals, like ERP, the dynamic autoregressive model is used and its ability to accurately represent rapid changes of causal interactions is assessed using short window and adaptive Kalman filter approaches. The superiority of the Kalman filter approach in terms of the accuracy provided in the estimation of the model’s autoregressive parameters is demonstrated on both synthetic and real EEG/ERP signals. Furthermore, the predictability/complexity of EEG/ERP time-series of dyslexics versus controls was studied, using measures of spectral and approximate entropy. Spectral entropy and its modifications quantify the spectral complexity of time-series and are related with synchronization and dominance of specific frequency bands. In order to study the temporal evolution of signals’ spectral complexity, wavelet transform and optimal kernel approaches were used, and the superiority of the latter concerning its ability to discriminate the two groups was demonstrated. The representation through optimal kernel permits the adjustment to each analyzed signal, a property that is quite important in analyzing data characterized by intense variability. Finally, through approximate entropy, the presence of differentiations in predictability of EEG time series related with single electrodes or pairs of electrodes is studied, demonstrating that dyslexics’ signals are characterized by more predictable patterns.