COMPRESSED SENSING- AND DEEP LEARNING-BASED BRAIN SOURCE LOCALIZATION OF EEG SIGNALS. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (Thesis) IMAM MS Thesis.pdf Restricted to Repository staff only until 18 August 2023. Download (3MB)

Arabic Abstract

الهدف من مشروع تحديد مصدر إشارات الدماغ هو تحديد موقع مصادر الخلايا العصبية المسؤولة عن توليد الإشارات الكهربائية داخل الدماغ. لا يزال التحديد ذات الدقة الزمنية العالية أنها مفيدة. MEG و EEG الصحيح للأجزاء الوظيفية يمثل مسألة بحث مفتوحة. أثبتت التقنيات غير الجراحية التي تستخدم إشارات EEG حقيقية كبيرة الحجم والتي توسِّم أيضًا المناطق النشطة المسؤولة عن هذه الإشارات، تم إنشاء مجموعات بيانات EEG نظرًا لعدم وجود مجموعات بيانات تم استخدام التصوير التشريحي بالرنين المغناطيسي لتوليد نموذج رأس واقعي؛ ثم تم . Fieldtrip الأمامية باستخدام أداة EEG عن طريق محاكاة مسألة اشارات المكانية-الزمانية. تم EEG المكانية وب) بيانات EEG لصياغة مصفوفة المجال الأمامي. تم إنشاء نوعين من بيانات المحاكاة: أ) بيانات FEM استخدام ال بالاستفادة من الطبيعة .( Learning Deep ) و 2) التعلم العميق ( Sensing Compressed ) تطبيق تخصصين لحل المسألة العكسية: 1) الاستشعار المضغوط EEG على بيانات CoSAMP و StOMP و OMP المتفرقة لنشاط الدماغ، تم فحص تقنيات إعادة البناء المتفرقة، مثل الاستشعار المضغوط. تم تطبيق خوارزميات المكانية. بالنسبة للنشاط أحادي المصدر، تمكنت هذه الخوارزميات من إعادة بناء المصدر النشط تمامًا أينما كان، في قشرة الدماغ أو في أعماق الدماغ. بالنسبة للنشاط متعدد المصادر، كان أداء خوارزميات الاستشعار المضغوط جيدًا في إعادة بناء مصادر القشرة. ومع ذلك، لم يكن أداؤهم جيدًا بسبب الترابط بين القنوات الكهرومغناطيسية للمصادر العميقة داخل الدماغ. بشكل عام، تعتبر المسائل العكسية دوال معقدة، يصعب صياغتها في حل نهائي. نظرًا لأن الشبكات العصبية تعتبر تقنيات عامة لربط الدوال، تم دراسة بنيات التعلم العميق. ضمن هذه الأطروحة، تم تطبيق بنيات التعلم العميق فقط على المصدر الأحادي النشط. تم استخدام شبكات الباقي للتنبؤ بمصدر البيانات المكانية لأنها جيدة في التعرف على الأنماط. وتم تطبيق الشبكات العصبية المتكررة على البيانات المكانية-الزمانية؛ نظرًا لقدرتها على ربط السمات الديناميكية الزمنية. علاوة على ذلك، تم اقتراح طريقة متعددة المراحل لتقنيات التعلم العميق لزيادة دقة التنبؤ وتقليل عدد العلامات تمت إعداد شبكتين: شبكة غير دقيقة وشبكة دقيقة. تم تجهيز ثلاث مناطق للتحقق من طريقتنا. تم .Softmax لكل نموذج، من ثم تقليل مقدار حساب ال في حالة البيانات المكانية-الزمانية. أعطت نماذج التعلم LSTM مكونة من 5 طبقات في حالة البيانات المكانية، واستخدمت نماذج ResNets استخدام شبكات بلغت الدقة الإجمالية للنموذج ، LSTM بلغت الدقة الإجمالية للنموذج المكاني ٪ 96 . وبالنسبة لنماذج ، ResNets العميق دقة تخمين عالية. بالنسبة لشبكات ResNets المكاني-الزماني ٪ 95 . تعتبر تقنيات التعلم العميق حلاً واعدًا. لذلك، تم تطبيقها على المسألة الحقيقة، كامل الدماغ. غير أنه تم تنفيذه فقط لوحدة . لكامل الدماغ ٪ 92,7 EEG لكامل الدماغ. بلغت الدقة الإجمالية للتحديد المكاني لإشارات LSTM نظرًا للحوجة لمجموعة كبيرة من البيانات لتدريب وحدة

English Abstract

The brain source localization problem aims to identify the location of neurons sources responsible for generating the electrical signals within the brain. Correct localization of functional parts is still an open research problem. Non-invasive techniques utilizing high temporal resolution EEG and MEG signals have proved helpful. Due to the lack of large size real EEG datasets that also label the active regions responsible for these signals, EEG datasets were generated by simulating the EEG forward problem using the fieldtrip toolbox. MRI anatomical imaging was used to generate a realistic head model; then, FEM was used to formulate the leadfield matrix. Two types of simulation data were generated: a) Spatial EEG data and b) Spatial-Temporal EEG data. Two disciplines were applied to solve the inverse problem: 1) Compressed Sensing and 2) Deep Learning. Making advantage of the sparse nature of brain source activity, sparse reconstruction techniques, like compressed sensing, were investigated. OMP, StOMP, and CoSAMP were applied to the spatial EEG data. For single-source activity, these algorithms were able to reconstruct the active source perfectly wherever it was, in the cortex of the brain or deep inside the brain. For multi-source activity, compress sensing algorithms performance was quite well on reconstructing cortex sources. However, their performance was not good due to the correlation between electromagnetic channels as sources go deep inside the brain. In general, inverse problems are considered complex functions, difficult to be formulated in a closed-form solution. Since neural networks are universal mapping techniques, deep learning structures were investigated. Within this thesis, deep learning architectures were only applied to single-active source problems. Residual networks were utilized to predict the spatial data source as they are good at capturing signatures. And Recurrent Neural Networks were applied to the Spatio-temporal data due to their ability to correlate temporal dynamic features. Furthermore, a multi-stage approach is proposed for deep learning techniques to increase prediction accuracy and reduce the number of labels per model, thus reducing the amount of Softmax computation. Two grids were formulated: coarse grid and fine grid. Three regions were implemented to verify the approach. ResNets of 5-layers were used for the spatial data, and LSTM models were utilized for Spatio-temporal data. Deep learning models gave high prediction accuracy. For ResNets, the overall spatial model test accuracy is 96%. For LSTM models, the overall Spatio-temporal model test accuracy is 95%. Deep learning techniques are a promising solution. Therefore, they were applied to the real problem, whole-brain volume. However, it was only implemented for the ResNets module due to the large dataset required to train the whole-brain volume LSTM module. The overall whole-brain spatial localization accuracy of EEG signals is 92.7%.

Item Type:	Thesis (Masters)
Subjects:	Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Masood, Mudassir
Committee Members:	Al-Naffouri, T.Y. and Deriche, M.
Depositing User:	ELMUBARAK IMAM (g201703890)
Date Deposited:	18 Aug 2022 04:52
Last Modified:	18 Aug 2022 04:52
URI:	http://eprints.kfupm.edu.sa/id/eprint/142187