Publication: Functional brain imaging on mobile devices by solving the EEG inverse problem: a structured sparsity approach
Loading...
Identifiers
Publication date
2014-12
Defense date
2014-12-05
Authors
Advisors
Tutors
Journal Title
Journal ISSN
Volume Title
Publisher
Impact
Export
Abstract
In this thesis we address the development of a mobile brain scanner, which is based on a wireless EEG neuroheadset, in charge of acquiring and transmitting the electrical potential measured on the scalp, and one mobile device (smartphone or tablet), in charge of receiving and processing these data to produce the cortical activation maps, which show, using a 3D brain model, the brain areas that are currently active. To generate the cortical activation maps, the mobile brain scanner needs to solve an electromagnetic inverse problem called the EEG inverse problem. The low spatial resolution of the EEG caused by the low conductivity of the skull plus the small number of EEG sensors available to capture the electrical activity produced by thousands of brain current sources, imply that the EEG inverse problem is underdetermined, ill-posed, and has infinite solutions. To make this problem tractable, in this thesis we assume that the number of active sources is small, that is, we assume that the set of active sources is a sparse set. Additionally, we also assume a linear relationship between the elements of this set. If we represent the set of brain current sources as a matrix (called the sources matrix), where the rows denote how the electrical activity of the sources vary over time, then the former assumptions lead to estimate a sources matrix which is structured sparse and low rank. To solve this problem, in this thesis we propose a method based on the factorization of the sources matrix as a product of two matrices: the first one encodes the spatial dynamics of the sources (how they change their spatial activation patterns), whereas the second one encodes their corresponding temporal dynamics (how they change their electrical activity over time). This method combines the ideas of the Group Lasso (structured sparsity) and Trace Norm (low rank) into one unified framework. We also develop and analyze the convergence of
an alternating minimization algorithm to solve the resulting nonsmooth-nonconvex regularization problem. Finally, in order to implement a working prototype of the mobile brain scanner, we bring our method to a real life scenario: online solving of the EEG inverse problem on a mobile device, which is continuously supplied with EEG data coming from the wireless EEG neuroheadset.
En esta tesis se aborda el desarrollo de un escáner móvil cerebral, el cual está basado en un casco inalámbrico que captura y transmite señales electroencefalográficas (EEG) a un dispositivo móvil (teléfono inteligente o tableta). Este las recibe y procesa con el fin de generar mapas de activación cerebral, los cuales muestran qué áreas de la corteza cerebral están actualmente activas. Estos mapas son visualizados en la pantalla del dispositivo móvil usando un modelo en 3D del cerebro. Para generar estos mapas de activación, el escáner móvil cerebral debe resolver el problema inverso del EEG. La baja resolución espacial del EEG, causada por la baja conductividad eléctrica del cráneo, añadida al bajo número de sensores EEG disponibles para capturar la actividad eléctrica generada por miles de fuentes cerebrales, hacen que el problema inverso del EEG sea mal condicionado e indeterminado, admitiendo un número infinito de soluciones. Para disminuir la dificultad de este problema, en esta tesis se asume que el número de fuentes eléctricas cerebrales, activadas por un determinado estÃmulo, es bajo; es decir, se asume que el conjunto de fuentes activas es un conjunto disperso. Adicionalmente, también se asume la existencia de una relación lineal entre los elementos de dicho conjunto. Si se representa el conjunto de las fuentes eléctricas cerebrales usando una matriz, llamada de aquà en adelante matriz de fuentes, las anteriores hipótesis conducen a estimar una matriz de fuentes que sea dispersa, estructurada y de bajo rango. Para resolver este problema, en esta tesis se propone un método basado en la factorización de la matriz de fuentes como el producto de dos matrices: la primera codifica la dinámica espacial de las fuentes (cómo cambian sus patrones de activación), mientras que la segunda incorpora la dinámica temporal de las fuentes (cómo cambian su actividad eléctrica en el tiempo). Este método combina las ideas de dos regularizadores: el regularizador de Grupo Lasso (dispersidad estructurada) y el regularizador de norma nuclear (bajo rango). Para resolver el problema de estimación resultante, el cual es no convexo y no diferenciable, en esta tesis se desarrolla, y también se analiza la convergencia, de un algoritmo de minimización por etapas. Finalmente, para llevar a cabo la implementación de un prototipo funcional del escáner móvil cerebral, se ha trasladado el método propuesto a un escenario de la vida real: solución, en lÃnea, del problema inverso del EEG en un dispositivo móvil, al cual le llegan continuamente datos EEG provenientes del casco inalámbrico de captura de datos.
En esta tesis se aborda el desarrollo de un escáner móvil cerebral, el cual está basado en un casco inalámbrico que captura y transmite señales electroencefalográficas (EEG) a un dispositivo móvil (teléfono inteligente o tableta). Este las recibe y procesa con el fin de generar mapas de activación cerebral, los cuales muestran qué áreas de la corteza cerebral están actualmente activas. Estos mapas son visualizados en la pantalla del dispositivo móvil usando un modelo en 3D del cerebro. Para generar estos mapas de activación, el escáner móvil cerebral debe resolver el problema inverso del EEG. La baja resolución espacial del EEG, causada por la baja conductividad eléctrica del cráneo, añadida al bajo número de sensores EEG disponibles para capturar la actividad eléctrica generada por miles de fuentes cerebrales, hacen que el problema inverso del EEG sea mal condicionado e indeterminado, admitiendo un número infinito de soluciones. Para disminuir la dificultad de este problema, en esta tesis se asume que el número de fuentes eléctricas cerebrales, activadas por un determinado estÃmulo, es bajo; es decir, se asume que el conjunto de fuentes activas es un conjunto disperso. Adicionalmente, también se asume la existencia de una relación lineal entre los elementos de dicho conjunto. Si se representa el conjunto de las fuentes eléctricas cerebrales usando una matriz, llamada de aquà en adelante matriz de fuentes, las anteriores hipótesis conducen a estimar una matriz de fuentes que sea dispersa, estructurada y de bajo rango. Para resolver este problema, en esta tesis se propone un método basado en la factorización de la matriz de fuentes como el producto de dos matrices: la primera codifica la dinámica espacial de las fuentes (cómo cambian sus patrones de activación), mientras que la segunda incorpora la dinámica temporal de las fuentes (cómo cambian su actividad eléctrica en el tiempo). Este método combina las ideas de dos regularizadores: el regularizador de Grupo Lasso (dispersidad estructurada) y el regularizador de norma nuclear (bajo rango). Para resolver el problema de estimación resultante, el cual es no convexo y no diferenciable, en esta tesis se desarrolla, y también se analiza la convergencia, de un algoritmo de minimización por etapas. Finalmente, para llevar a cabo la implementación de un prototipo funcional del escáner móvil cerebral, se ha trasladado el método propuesto a un escenario de la vida real: solución, en lÃnea, del problema inverso del EEG en un dispositivo móvil, al cual le llegan continuamente datos EEG provenientes del casco inalámbrico de captura de datos.
Description
Mención Internacional en el tÃtulo de doctor
Keywords
Brain scanner, EEG, Wireless, Mobile devices