İnsan Kafasındaki Dokuların Öziletkenliklerin Kestirimi İçin Kullanılan İstatistiksel Kısıtlı Minimum Ortalama Hatalar Karesi Algoritmasının Kaynak Yerelleştirimine Etkisi

The Effect of Statistically Constrained Minimum Mean Square Estimation Algorithm Which is Used For Human Head Tissue Conductivity Estimation to Source Localization

Özet

EEG ve/veya MEG ölçümleri verildiğinde, insan beynindeki aktif kaynakların bulunması"EEG/MEG biyoelektromanyetik ters problemi", "aktivite kaynağının belirlenmesi" ya da"kaynak yerelleştirimi" (source localization) olarak tanımlanır. Tipik bir kaynak yerelleştirimisistemi EEG/MEG ölçümlerinin yanısıra hastanın/deneğin kafasına ait geometri bilgisine,elektriksel kaynak hakkındaki ön bilgiye, ölçüm elektrotlarının sayısına ve bu elektrotların üçboyutlu uzaydaki konumuna ve kafa modelinde yer alan dokularınöziletkenliklerine/özdirençlerine ihtiyaç duyar. Bu çalışmada insan kafasındaki dokularınöziletkenliklerini kestirmek için daha önce önerilen İstatistiksel Kısıtlı Minimum OrtalamaHatalar Karesi algoritmasının, öziletkenlik kestirimindeki başarımı benzetim çalışmaları ilehesaplanmış ve kaynak yerelleştirimine etkisi araştırılmıştır. Beyin, kafa tası ve kafaderisinden oluşan üç kompartımanlı gerçekçi bir kafa modeli kullanılarak yapılan benzetimçalışmalarında 100 farklı öziletkenlik değeri kestirilmeye çalışılmış ve kestirim hataları kafaderisi için ortalamada %23, kafatası için % 40 ve beyin için de %17 olarak hesaplanmıştır.Çalışmanın ikinci bölümünde ise literatürde verilen ortalama öziletkenlik değerlerikullanıldığında ve önerilen algoritma ile kestirilen öziletkenlik değerleri kullanıldığındaortaya çıkan kaynak yerelleştirimi hataları yine benzetim çalışmaları ile araştırılmıştır.Çalışma sonunda literatürde verilen ortalama öziletkenlik değerleri kullanıldığında 10,1 mmkaynak yerelleştirimi hatası bulunurken önerilen algoritma ile kestirilen öziletkenlik değerlerikullanıldığında ise bu hata 2,7 mm'ye inmiştir. Burada bulunan sonuçlara göre İ.K.M.O.H.K.algoritması ile kestirilen doku öziletkenlikleri kullanıldığında kaynak yerelleştirimi konumhatasında ortalama öziletkenlik kullanılması durumuna göre %73,07'lik azalmagörülmektedir. Sonuç olarak kaynak yerelleştirimi uygulamalarında İ.K.M.O.H.K. algoritmasıile kişiye özgü olarak elde edilen doku öziletkenliklerini kullanmak, ortalama öziletkenlikkullamaya kıyasla hata oranlarını azalttığı sonucuna varılabilir.

Abstract

Determining the electrical active regions of human brain by using EEG and/or MEG data isknown as EEG/MEG bioelectromagnetic inverse problem or source localization . Atypical source localization system intakes not only EEG/MEG data but also geometryinformation of subject/patient, a priori information about the electrically active sources, the number and 3-D positions of measurement electrodes and conductivities/resistivities of thetissues in the head model. In this study we investigated the conductivity estimationperformance previously proposed Statistically Constrainted Minimum Mean Square ErrorEstimation (MiMSEE) algorithm by simulation studies and we also investigated the effect ofthe estimation to source localization activities. In simulation studies we used a three-layered(composed of scalp, skull and brain regions) realistic head model to estimate 100 differentconductivity distributions in vivo. As a result we found that the proposed algorithm estimatesthe conductivity of scalp with an average error of 23%, the conductivity of skull with anaverage error of 40% and finally the conductivity of brain with an average error of 17%. Inthe second part of the study we compared the source localization errors for two cases: one,when the average conductivities of tissues given in the literature are used, and second whenthe subject-specific conductivity estimation is performed with MiMSEE algorithm. Theresults showed 10.1 mm localization error is obtained when the average conductivities givenin the literature are used and 2.7 mm localization is obtained when subject-specificconductivity estimation is performed with MiMSEE algorithm. The results shows that thelocalization error is reduced by 73.07% when subject-specific conductivity estimation isperformed with MiMSEE algorithm. We conclude that using the conductivities obtained fromMiMSEE algorithm reduces the source localization error and we recommend to performsubject-specific conductivity estimation for source localization applications.