Data-driven analysis for multimodal neuroimaging

Multivariate Analyseverfahren für multimodale bildgebende Verfahren in den Neurowissenschaften

  • Neuroimaging, the measurement, analysis and visualization of neural activity, contributed considerably to our understanding of information processing in the brain. The availability of non-invasive neuroimaging devices such as functional magnetic resonance imaging (fMRI) has been increasing rapidly throughout the last two decades. Nowadays every interested student can obtain non-invasively high resolution image time series of the blood-oxygen level dependent (BOLD) signal using fMRI. How exactly Neuroimaging, the measurement, analysis and visualization of neural activity, contributed considerably to our understanding of information processing in the brain. The availability of non-invasive neuroimaging devices such as functional magnetic resonance imaging (fMRI) has been increasing rapidly throughout the last two decades. Nowadays every interested student can obtain non-invasively high resolution image time series of the blood-oxygen level dependent (BOLD) signal using fMRI. How exactly neural activity is reflected in the BOLD contrast is still subject of active research. For a more accurate interpretation of the fMRI signal and the underlying neurovascular coupling mechanisms, combined measurements of intracranial neural activity and fMRI signals are indispensable. Such simultaneous measurements have become technically possible – however appropriate analysis methods are still lacking. Classical analysis approaches rely on simplifying assumptions about the neurovascular coupling dynamics. These assumptions are convenient but numerous studies have provided empirical evidence against them. In this dissertation a novel analysis method, termed temporal kernel Canonical Correlation Analysis (tkCCA), will be developed, tested on artificial data and applied to experimental data in order to investigate neurovascular coupling mechanisms. TkCCA estimates dependency structures between high dimensional data with complex temporal coupling dynamics. The important advantages of tkCCA compared to standard methods are a) tkCCA can be directly applied to multimodal data, b) tkCCA is very efficient for high dimensional data with few data points (as is the case for fMRI) and c) tkCCA does not make use of restrictive assumptions about the data generating process. In particular tkCCA can be used to analyze high dimensional simultaneous measurements of neural activity and fMRI signals. Predictions of neural activity using tkCCA are better than when using classical methods. Basic research as well as clinical applications can profit from this more accurate prediction. Besides tkCCA is readily applicable to other domains in which data streams have high dimensional features that are non-instantaneously coupled, such as data from social networks in the World Wide Web.show moreshow less
  • Bildgebende Verfahren in den Neurowissenschaften haben unser Verständnis von Informationsverarbeitung im Hirn entscheidend geprägt. Die schnelle Verbreitung von nicht-invasiven bildgebenden Verfahren wie etwa der funktionellen Magnet-Resonanz Tomographie (fMRT) in den letzten beiden Dekaden erlaubt es heutzutage jedem interessierten Studenten nicht-invasiv den Blutsauerstoffgehalt im Hirn zu messen und so räumlich hochaufgelöste Zeitreihen von Hirnaktivität aufzuzeichnen. Wie genau sich jedoch nBildgebende Verfahren in den Neurowissenschaften haben unser Verständnis von Informationsverarbeitung im Hirn entscheidend geprägt. Die schnelle Verbreitung von nicht-invasiven bildgebenden Verfahren wie etwa der funktionellen Magnet-Resonanz Tomographie (fMRT) in den letzten beiden Dekaden erlaubt es heutzutage jedem interessierten Studenten nicht-invasiv den Blutsauerstoffgehalt im Hirn zu messen und so räumlich hochaufgelöste Zeitreihen von Hirnaktivität aufzuzeichnen. Wie genau sich jedoch neuronale Aktivität im Blut-Sauerstoff Gehalt abhängigem Kontrast (englisch: Blood-oxygen level dependent oder BOLD contrast) wiederspiegelt, ist trotz intensiver Forschung an der neurovaskulären Kopplung nach wie vor aktuelles Forschungsthema. Für ein besseres Verständnis des fMRT Signals sind kombinierte Messungen von intrakranialer neuronaler Aktivität und fMRT Signalen zwingend erforderlich. Diese multimodalen Simultanmessungen sind inzwischen technisch möglich. Jedoch fehlen geeignete Analysemethoden. Gängige Verfahren basieren auf vereinfachenden Annahmen über die neurovaskuäre Kopplungsdynamik. Diese Annahmen sind zwar praktisch, erwiesen sich aber in zahlreichen Studien als falsch. In dieser Dissertation wird ein neuartiges Analyseverfahren, temporal kernel Canonical Correlation Analysis (tkCCA), entwickelt, getested und angewandt. TkCCA schätzt Abhängigkeitsstrukturen in hochdimensionalen Daten mit nicht-instantaner Kopplung. Die entscheidenden Vorteile von tkCCA gegenüber herkömmlichen Methoden sind a) direkte Anwendbarkeit auf multimodale Daten, b) Effizienz bei hochdimensionalen Daten mit wenig Datenpunkten und c) Verzicht auf einschränkende Annahmen über die generativen Modelle der gemessenen Daten. Insbesondere erlaubt tkCCA die Analyse hochdimensionaler multimodaler Simultanmessungen von neuronaler Aktivität und fMRT Signalen. Mit Hilfe von tkCCA können neuronale Signale besser aus multivariaten fMRI Messungen vorhergesagt werden. Davon können sowohl Grundlagenforschung als auch klinische Diagnostik profitieren. Darüberhinaus ist tkCCA direkt anwendbar auf andere Arten hochdimensionaler Datenströme mit nicht-instantanen Abhängigkeiten, wie etwa in sozialen Netzwerken im World Wide Web.show moreshow less

Download full text files

Export metadata

  • Export Bibtex
  • Export RIS

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author: Felix Bießmann
URN:urn:nbn:de:kobv:83-opus-33865
Advisor:Prof. Dr. Klaus-Robert Müller
Document Type:Doctoral Thesis
Language:English
Date of Publication (online):2012/01/13
Publishing Institution:Technische Universität Berlin
Granting Institution:Technische Universität Berlin, Fakultät IV - Elektrotechnik und Informatik
Date of final exam:2011/12/07
Release Date:2012/01/13
Tag:Neurowissenschaft; bildgebende Verfahren; maschinelles Lernen
Machine Learning; Neuroimaging; fMRI; multimodal
Institutes:Institut für Softwaretechnik und Theoretische Informatik
Externe Einrichtungen
Dewey Decimal Classification:004 Datenverarbeitung; Informatik
Licence (German):License LogoDeutsches Urheberrecht mit Print on Demand (u.a. für Dissertationen empfohlen)