| dc.description.abstract | Epilepsi gibi beyin hastalıkları tedavisi için, beyindeki epileptik aktivasyonun kaynağı olan bölge veya bölgelerin yerlerinin tespit edilmesi oldukça önemlidir. Bu amaçla günümüzde, uzaysal çözünürlükleri yüksek olmasına rağmen, zamansal çözünürlükleri düşük olan fonksiyonel görüntüleme sistemleri ile beraber zamansal çözünürlüğü daha yüksek olan elektroensefalografi (EEG) veya manyetoensefalografi (MEG) gibi beyin yüzeyinden elde edilen elektromanyetik verilerin kullanıldığı Elektromanyetik Kaynak Görüntüleme (EMKG) yöntemleri kullanılmaktadır. EMKG’de, EEG veya MEG ölçümleri alınan kafanın bilgisayar modeli üzerinde geri problem çözümleri gerçekleştirilmekte ve böylece bu ölçümlere neden olan epileptik kaynaklar tespit edilmektedir. Bu çalışmada, ilk olarak dört tabakalı ideal kafa modeli oluşturulmuştur. Bu modelde, 8 cm yarıçapında yarıküre şeklindeki kafa derisi üzerinde EEG elektrotlarının olduğu varsayılmıştır ve 7 cm yarıçapında yarıküre şeklindeki korteks üzerinde yüzeye dik olarak 930 adet dipol konumlandırılmıştır. Her bir dipol için analitik olarak ileri problem çözümü yapılmıştır. Ardından, literatürde mevcut olan minimum norm (MN), ağırlıklanmış MN (WMN), LAURA ve EPIFOCUS geri problem algoritmaları farklı sayıda EEG elektrotları için uygulanmıştır. Ayrıca, 10, 20 ve 30 dB sinyal gürültü oranına (SNR) sahip olacak şekilde gürültü eklenmiş EEG verileri üzerinde kesilmiş tekil değer ayrıştırması (tSVD) yönteminin de sonuca etkisini araştıracak şekilde analizler gerçekleştirilmiştir. Yukarıda belirtilen tek dipol kaynaklı analizlerden sonra, hem EPIFOCUS, hem de MN geri problem çözüm yöntemlerinin çift dipol kaynaklı analizleri de yapılmıştır. Sonuç olarak, tek dipol kaynaklı çalışmalarda, hem gürültüsüz hem de gürültülü veriler için en iyi sonuçlar EPIFOCUS geri problem yönteminin uygulanması sonrası ortaya çıkmıştır. Fakat birden fazla dipol kaynağının bulunduğu durumlarda, EPIFOCUS’un
performansının oldukça düştüğü görülmüştür. Tek dipol kaynaklı gürültülü analizlerde, elektrot sayısı ve gürültü seviyesi arttıkça, genel olarak, dipol yerelleştirme performanslarının net bir şekilde düştükleri gözlemlenmiştir. Gürültülü ölçümler için elektrot sayısı arttıkça, tSVD iyileştirmesinin daha fazla etkili olduğu görülmüştür.
For the treatment of brain diseases such as epilepsy, determination of the locations of source/s of electrical activity in the brain is highly important. For this purpose, nowadays in addition to several functional imaging systems, which have low temporal resolutions and high spatial resolutions, Electromagnetic Source Imaging (EMSI) methods, which have high temporal resolutions, have been used that employ electromagnetic signals such as Electroencephalography (EEG) or Magnetoencephalography (MEG) measured from the head surface. In EMSI, inverse problem solutions are applied on the computer model of the head from which EEG or MEG measurements are acquired and thus the locations of sources are estimated. In this study, first a four-layer ideal head model was constructed. In this model, EEG electrodes were assumed to be positioned on an 8-cm-radius hemispherical head, and 930 dipole sources were located on the 7-cm-radius hemispherical cortex with a surface-normal orientation. For each dipole source an analytical forward solution was computed. Later, EEG inverse problem algorithms such as minimum norm (MN), weighted minimum norm (WMN), LAURA, and EPIFOCUS were implemented for different number of measurement electrodes. In addition, a similar analysis that included the investigation of the effect of truncated singular value decomposition (tSVD) method was performed with EEG data with signal-to-noise ratios at 10 dB, 20 dB, and 30 dB levels. In addition to the single dipole source localization study, both EPIFICUS and MN inverse problem algorithms were analyzed for double dipole sources. As a result, EPIFOCUS was found to be the best approach for single dipole sources with and without noise. For double source cases the performance of EPIFOCUS decreased to a relatively low level. For single dipole source analysis with noise, when the number of electrodes and noise levels increased source localization performances clearly diminished.
The tSVD regularization improved the performance of the inverse algorithms for increased number of measurement electrodes. | en_US |
