Novel non-linear approaches to understanding the dynamic brain: knowledge from rsfMRI and EEG studies

Tools

Penalba, L ORCID: https://orcid.org/0000-0002-1937-5537, 2022. Novel non-linear approaches to understanding the dynamic brain: knowledge from rsfMRI and EEG studies. PhD, Nottingham Trent University.

Preview

Text
Lucia Penalba 2023.pdf - Published version
Download (15MB) | Preview

Abstract

Advances in neuroimaging techniques have been critical to identifying new biomarkers for brain diseases. Resting State Functional Magnetic Resonance Imaging (rsfMRI) non-invasively quantifies the Blood Oxygen Level Dependent (BOLD) signal across brain regions with high spatial resolution; whilst temporal resolution of Electroencephalography (EEG) in measuring the brain's electrical response is unsurpassed. Most of the statistical and machine learning methods used to analyze rsfMRI and EEG data, are static and linear, fail to capture the dynamics and complexity of the brain, and are prone to residual noise. The general goals of this thesis dissertation are i) to provide methodological insight by proposing a statistical method namely point process analysis (PPA) and a machine learning (ML) multiband non-linear EEG method. These methods are especially useful to investigate the brain configuration of older participants and individuals with neurodegenerative diseases, and to predict age and sleep quality; and ii) to share biological insights about synchronization between brain regions (i.e., functional connectivity and dynamic functional connectivity) in different stages of mild cognitive impairment and in Alzheimer's disease. The findings, reported and discussed in this thesis, open a path for new research ideas such as applying PPA to EEG data, adjusting the non-linear ML algorithm to apply it to rsfMRI and use these methods to better understand other neurological diseases.

Los avances en las técnicas de neuroimagen han sido fundamentales para identificar nuevos biomarcadores de enfermedades cerebrales. La resonancia magnética funcional en estado de reposo (rsfMRI) cuantifica de forma no invasiva la señal dependiente del nivel de oxígeno en sangre (BOLD) en todas las regiones del cerebro con una alta resolución espacial, mientras que la resolución temporal de la electroencefalografía (EEG) para medir la respuesta eléctrica del cerebro es insuperable. La mayoría de los métodos estadísticos y de aprendizaje automático utilizados para analizar datos de rsfMRI y EEG son estáticos y lineales, no captan el dinamismo y la complejidad del cerebro y son propensos al ruido residual. Los objetivos generales de esta tesis doctoral son i) proporcionar una visión metodológica proponiendo un método estadístico, llamado análisis por proceso de puntos (PPA), y un método de aprendizaje automático (ML) multibanda no lineal de EEG. Estos métodos son especialmente útiles para investigar la configuración cerebral de participantes de edad avanzada y de individuos con enfermedades neurodegenerativas, y para predecir la edad y la calidad del sueño; y ii) compartir conocimientos biológicos sobre la sincronización entre regiones cerebrales (es decir, la conectividad funcional y la conectividad funcional dinámica) en diferentes etapas del deterioro cognitivo leve y en la enfermedad de Alzheimer. Los hallazgos, comunicados y discutidos en esta tesis, abren un camino para nuevas ideas de investigación, como la aplicación de PPA a datos de EEG, el ajuste del algoritmo ML no lineal para aplicarlo a rsfMRI y el uso de estos métodos para comprender mejor otras enfermedades neurológicas.

Item Type:	Thesis
Creators:	Penalba, L.
Contributors:	Name Role NTU ID ORCID Sumich, A. Thesis supervisor PSY3SUMICA https://orcid.org/0000-0003-4333-8442 Jones, G. Thesis supervisor BLS3JONESG https://orcid.org/0000-0003-3867-9947
Date:	December 2022
Divisions:	Schools > School of Social Sciences
Record created by:	Linda Sullivan
Date Added:	21 Nov 2023 11:28
Last Modified:	21 Nov 2023 11:33
URI:	https://irep.ntu.ac.uk/id/eprint/50413