Separarea biosemnalelor cu ajutorul metodei de descompunere n componente independente: analiza datelor obinute prin RMNF

CUPRINS

Introducere ........................................................................................................ 3 Descrierea metodei ACI ...................................................................................... 5 Experimentul simulat ......................................................................................... 7 Modelul RMNF ................................................................................................... 7 Procedura experimental ................................................................................... 8 Preprocesarea .................................................................................................... 9 Analiza regresiv ................................................................................................ 9 Analiza componentelor independente ............................................................... 9 Rezultatele experimentului simulat.................................................................. 10 Experimentul RMNF ......................................................................................... 10 Concluzie .......................................................................................................... 13 Bibliografie ....................................................................................................... 13

Introducere
Analiza componentelor independente (ACI) este o metod prin care se ncearc separarea datelor mixate n grupuri ct mai independente posibil. Obinerea unei independene maxime n spaiu sau n timp implic dou variante pentru aplicaiile RMNF (rezonan magnetic nuclear funcional): ACI spaial (ACIS) i ACI temporal (ACIT). Pn acum n prelucrarea datelor obinute prin RMNF, metoda ACIS a dominat. Analiza componentelor independente a fost folosit iniial pentru a rezolva probleme similare cocktail party-ului, situaie n care mai muli oameni vorbeau deodat [Bell, Sejnowsky, 1995]. Presupunnd c sursele (vocile) sunt independente n timp, algoritmul ACI poate separa semnalul mixat n surse independente. ACI este folosit i n EEG (electroencefalografie), EKG (electrocardiogram), cazuri n care o mixtur de semnale, fiecare semnal provenit de la un electrod diferit, este separat n semnale n semnale independente. n continuare voi prezenta un experiment al crui obiectiv a fost studierea metodei ACI cu dou componente predictibile prezente i de a evalua importana independenei ce st la baza aplicaiilor ACI. Datele folosite au fost preluate de la FM Kirby Research Center for Functional Brain Imaging, Kennedy Krieger Institute. Au fost create patru modele noi, fiecare constnd n dou componente spaiotemporale care au fost dependente spaial, dependente temporal, dependente att spaial ct i temporal, respectiv spaial i temporal necorelate. Pe urm s-au achiziionat date RMNF de la 6 pacieni folosind aceste modele. Datele obinute cu ajutorul fiecrui model au fost analizate regresiv pentru a putea determina dac semnalele au fost cum se atepta. Pe urm aceste date au fost prelucrate pe rnd cu ACIS, apoi cu ACIT. Dac metodele euau pe un model din cele patru, pe alt model funcionau. Analiza regresiv este o metod de verificare bun, ns ipoteze solide nu vor fi ntotdeauna disponibile, de aceea ACI este o metod eficace fiindc poate fi folosit la procesarea datelor fr a face anumite presupuneri iniiale. n cazul RMNF, un set de felii sunt achiziionate ntr-un interval de timp, n care sunt mici diferene n intensitate pe aceast perioad. Prima utilizare a metodei ACI pentru prelucrarea datelor obinute prin RMNF a fost metoda ACIS [McKeown et al., 1998a, 1998b]. Metoda ACIT a fost folosit i ea n analiza imaginilor obinute prin RMNF, ns a fost cu mult depit de cea spaial, deoarece n RMNF dimensiunea spaial este cu mult mai mare dect dimensiunea temporal, spre

deosebire de EEG sau cocktail party unde dimensiunea temporal este cu mult mai mare dect numrul surselor. Rezultate recente au artat c ambele metode, att ACIS ct i ACIT, au avut aceleai rezultate pentru experimente n care a fost o component predictibil [Peterson et al., 2000]. Rezultate similare sunt demonstrate n acest studiu pentru dou componente, cu condiia c aceste componente sunt necorelate att n timp ct i n spaiu. Totui, acest studiu arat c rezultatele obinute prin ACIS i ACIT difer dac componentele predictibile sunt foarte corelate n spaiu, respectiv n timp. Aplicarea metodei ACIS datelor RMNF este fcut n dou moduri: alegnd o component particular folosind un model al cursului de timp sau examinnd harta spaial folosind cunotinele despre structura i funcionarea creierului. n primul caz, datele RMNF sunt achiziionate folosind un model care are o component care intereseaz i care este predictibil. O analiz ACIS a datelor este efectuat. Apoi componentele constante sunt alese prin corelarea cursurilor lor de timp cu forma de und prezis [McKeown et al., 1998b]. Componentele tranzitorii sunt de asemenea extrase prin examinarea acelor componente care sunt corelate, dar nu la fel de mult ca i componentele constante. Extragerea componentelor de interes finale depind n cele din urm de cursul de timp ipotetic care este corelat cu cursurile de timp asociate componentelor spaial-independente. O a doua aplicaie a ACI este de a descoperi grupurile de voxeli (voxel=cea mai mic unitate volumetric-pixel 3D) relaionai funcional, ca i n studiul conectivitii funcionale a cortex-ului motor n stare de repaus n timpul unei scanri. Este necesar examinarea componentelor spaiale pentru a gsi hri anatomice cu neles. Aceasta este o aplicaie rodnic deoarece cursurile de timp a voxelilor relaionai funcional nu sunt predictibile [Biswal et al., 1997]. O comparare direct ntre ACIS i ACIT nu a fost fcut nc n literatura de specialitate. n plus, nu a fost efectuat nici un studiu despre performana metodei ACI atunci cnd sunt prezente dou componente predictibile prezente n date care au un grad de dependen spaial sau temporal. Aceast situaie poate aprea dac cercettorul prezint dou activiti pe parcursul aceluiai experiment sau dac dou creiere sunt supuse aceleiai aplicaii care reprezint funcii diferite, dar care n mare parte se suprapun n dimensiunea spaial sau n cea temporal. Acest studiu s-a efectuat n primul caz, situaie n care rezultatele obinute prin ACIS i ACIT pot s fie diferite.

Descrierea metodei ACI

ACI descompune un set de semnale mixate n semnale (componente) ct mai independente prin minimizarea informaiei comune dintre componente. nainte de aplicarea metodei ACI este necesar parcurgerea a doi pai de preprocesare, i anume: reducerea mrimii datelor i nlbirea imaginilor. Reducerea mrimii datelor este efectuat deoarece se presupune c sursele independente sunt mai puine dect punctele de timp (ACIS) sau voxelii spaiali (ACIT). Acest proces este de obicei efectuat prin metoda analizei componentelor principale, proces prin care se captureaz aproape 99% din variaiile din date, n timp ce dimensiunea acestora este redus. nlbirea este obinut simultan cu reducerea dimensiunii datelor prin ACP. Dup preprocesare, algoritmul ACI este aplicat datelor. Uneori, algoritmul foreaz rezultatele s fie necorelate sau nlbite [Cardoso, 1994]. Cerina de ortogonalitate impune n(n+1)/2 constrngeri, unde n este numrul de puncte temporale (ACIS) sau numrul de voxeli (ACIT), lsnd n(n-1)/2 parametri necunoscui lsnd posibilitatea statisticilor de ordinul II s influeneze soluia. Aceasta este important pentru acest studiu pentru c formele de und folosite au fost fie necorelate, fie foarte corelate. Covariana dintre dou variabile x p i yq este definit astfel: [ ( ] ) ( ) ( ) [ ] [ ] [ ], unde [ ] ( ) ( ) , i ( ) este o funcie probabil de densitate. Cnd

, x i y sunt necorelate, totui, independena este mai necesar i este adevrat numai cnd pentru orice valori ale lui p i q. Algoritmul ACI impune astfel un criteriu mai

solid asupra rezultatelor dect metoda ACP, care separ componentele astfel nct acestea sunt necorelate ntre ele. Pentru a prezenta metoda ACIS, se presupune o matrice X cu N linii i M coloane, unde N este numrul de puncte de timp i M este numrul de voxeli). Semnalele sunt M voxeli spaiali, redui la un vector unidimensional, astfel fiind N cazuri diferite ale acestor semnale (n timp ce n cazul ACIT se consider N semnale reprezentate de punctele temporale i M cazuri diferite ale acestora). Descompunerea prin ACIS este descris de relaia , unde este matricea de mixare estimat de dimensiune NxN, iar C este o matrice de dimensiune NxM care conine N componente independente. Putem scrie apoi cusurile de timp spaial-independente asociate se gsesc pe coloanele matricei unde componentele spaial independente (imaginile) se gsesc pe liniile matricei C, iar (fig. 1a).

n cazul metodei ACIT, se consider X ca fiind o matrice cu M linii i N coloane (transpusa matricei X folosite n cazul ACIS). Descompunerea prin ACIT este descris de relaia scrie relaia , unde este matricea de mixare estimat de dimensiune MxM, iar C este o unde cursurile de timp temporal-independente se gsesc pe rndurile matrice de dimensiune MxN care conine M componente independente. Ca i mai sus, putem matricei C i imaginile temporal-independente asociate se gsesc pe coloanele matricei (fig.1b). De reinut c ACIT este de obicei mai solicitant din punct de vedere al calculelor dect ACIS n cazul aplicaiilor n RMNF, deoarece dimensiunea spaial este mai mare dect dimensiunea temporal i poate ajunge dincolo de posibilitile practice. Astfel trebuie calculat o matrice de covarian de ordin N2 (unde N este numrul de voxeli spaiali). O capacitate hardware crescut, precum i metode avansate de calcul i stocare a matricei de covarian ar putea oferi o soluie mai bun pe viitor.

Figura 1.
Reprezentarea vizual a metodei ACIS i ACIT n cazul datelor obinute prin RMNF. Matricea de reprezentare a abordrilor ACIS (a) i ACIT (b). n fiecare caz informaia 3D este redus la 1D. n cazul ACIS, algoritmul ncearc s gseasc componentele spaial-independente cu cursurile de timp asociate, n timp ce algoritmul ACIT ncearc s gseasc componentele temporalindependente cu hrile spaiale asociate.

Experimentul simulat
Au fost generate date simulate pentru a testa valabilitatea i deviaiile de la presupunerile fcute despre ACIS i ACIT. Presupunerile fcute despre fiecare metod (de ex., existena n date a componentelor spaial/temporal independente) au fost fie puternic conformate fie nclcate. Dou perechi de formele de und temporale au fost create, o pereche care conine semnale necorelate (corelaie 0.0), i o pereche care este alctuit din semnale extrem de dependente temporal (corelaie 0.82). Formele de und temporale au fost fiecare de durat 360s i prima pereche a constat n modele repetitive care au fost (a) pornite pentru 30s apoi oprite 60s (x4); (b) la fel ca i (a), numai ntrziate cu 30s; aa c (a) i (b) au fost temporal-necorelate. A doua pereche a constat n modele repetitive care au fost (a) pornite pentru 30s apoi oprite pentru 60s (x4); i (c) n care au fost pornite 30s apoi oprite 30s, pornite 60s apoi oprite 60s (x2), astfel nct modelele (a) i (c) au fost temporal-dependente. Figura 2 descrie dou metode de a combina o pereche de forme de und, o metod prin care fiecare form de und (de amplitudine unitar) moduleaz un voxel diferit, i o metod prin care o regiune de suprapunere a fost modulat de suma a dou forme de und. Adiional, la seturile de date a fost adugat un zgomot aleatoriu Gaussian cu N(0,0.011), astfel nct raportul contrast-zgomot s fie 9.1. Aceste dou seturi de combinaii temporale i dou seturi de combinaii spaiale au generat patru seturi de date care au fost ulterior analizate folosind algoritmii ACIS i ACIT. De asemenea au mai fost realizate analize similare cu diferite distribuii de zgomote non-Gaussiene pentru a asigura independena rezultatelor fa de selecia fcut.

Modelul RMNF
Modelele create pentru a se folosi pentru scannerul RMNF au folosit modelul tablei de ah inversate de 8Hz, cu o frecven spaial de un ciclu/grad prezentat la diferite poriuni ale cmpului vizual. Subiecii au privit ntr-o oglind pentru a vedea un ecran care acoperea 25o din cmpul vizual. Au fost folosite combinaiile temporale din experimentul simulat. Pentru combinaiile spaiale, a fost exploatat cartografierea reinotopic a cortexului vizual. Stimularea cmpului vizual stng sau drept al subiectului, a creat regiuni spaialindependente. Stimularea cmpului vizual drept sau ntregul cmp vizual al subiectului a creat regiuni suprapuse. n cazurile n care att cmpul vizual drept ct i ntregul cmp vizual se

suprapuneau, contrastul modelului tablei de ah a fost mrit. Modelele temporale au fost obinute schimbnd ntre prezentarea modelului spaial (tabla de ah) i un ecran negru; un punct vizibil de fixare n centrul ecranului a fost prezent tot timpul. Reprezentrile grafice ale modelelor sunt prezentate n figura 2.

Figura 2.
Reprezentarea vizual a modelelor. Aceleai modele de baz au fost folosite att pentru simulri, ct i pentru experimentele RMNF. Formele de und reprezint experimentul de 6 min, iar ptratele ilustreaz ceea ce subiecii au vzut pe ecrane n fiecare moment indicat. Datele simulate au fost create adugnd formele de und reprezentate (dup convoluia cu o funcie de rspuns hemodinamic) la un zgomot oarecare.

Procedura experimental
Datele RMNF au fost obinute cu Gyroscan NT PT-6000 opernd la 1.5 Tesla. a fost efectuat o localizare sagital urmat de prescrierea locaiei scanrii anatomice. Pe urm a fost efectuat o scanare T1 (TR = 500ms, TE = 30ms, cmpul vizual = 24cm, matricea = 256x256, grosimea feliei = 5mm, intervalul = 0.5mm) consistnd n 9 felii paralele la fisura calcarin. Pe urm, au fost obinute scanrile funcionale constnd n scanri single-shot gradient-echo echo-planare (EPI) (TR = 1s, TE = 39ms, cmpul vizual = 24cm, matricea =

64x64, unghiul de rotire = 90o, grosimea feliei = 5mm, intervalul = 0.5mm) pe o perioad de 6 minute. Stimulii vizuali au fost proiectai pe un ecran. Apoi, 10 scanri au fost efectuate pentru a permite stabilirea echilibrului longitudinal, dup care modelul a fost declanat de scanner. Subiecii au fost poziionai fix n scanner i au fost instruii s priveasc fix n centrul ecranului n timpul celor 6 minute n care s-a efectuat scanarea. Patru astfel de scanri au fost efectuate pe ase subieci care au participat la studiu.

Preprocesarea
Prima dat au fost corectate imaginile pentru diferenele de sincronizare dintre felii folosind o interpolare Fourier. Apoi datele au fost ncrcate n softul Matlab, Statistical Parametric Mapping (SPM99). Cu ajutorul acestui soft, datele au fost co-nregistrate ntr-o imagine medie i apoi atenuat cu un kernel Gaussian de 6x6x10mm pentru a mbuntii raportul contrast-zgomot. Apoi datele au fost normalizate spaial [Talairach, Tornoux, 1988] i mprite n voxeli de 3x3x4mm.

Analiza regresiv
A fost construit un model liniar n care formele de und n timp au corespuns semnalelor despre care s-a discutat anterior; semnalele ideale au fost convoluionate cu o funcie canonic hemodinamic de rspuns. Un filtru trece-sus a fost ncorporat introducnd o funcie sinusoidal n model pn la frecventa de 1/120 sec. Apoi datele au fost regresate n model permind variaia latenelor hemodinamice n diferite pri ale creierului [Calhoun et al., 2000b].

Analiza componentelor independente

Datele au fost prima dat nlbite i reduse dimensional la 20 componente (~99% din valorile proprii nenule au fost pstrate) folosind analiza componentelor principale. Pentru metoda ACIS, toi voxelii din cele 9 felii au fost analizai. La metoda ACIT au fost folosii un numr mai mic de voxeli, incluznd cortexul vizual, pentru a reduce timpul calculelor. n ambele cazuri ale metodei ACI a fost folosit un algoritm cu punct fix.

Rezultatele experimentului simulat

Rezultatele experimentului simulat sunt prezentate pe scurt n figura 3, folosind culorile dup cum urmeaz: rou corespunde zonelor care au generat semnalul rou, albastru corespunde zonelor care au generat semnalul albastru i verde care indic zonele care au generat aceleai semnale. n grafice, liniile roii indic semnalele generate de analiza ACIS sau ACIT. De asemenea, n fiecare reprezentare grafic sunt semnalele albe sau galbene care indic semnalul actual suprapus care a fost folosit pentru a crea setul de date simulat. n toate cazurile n care algoritmul ACIS a ntlnit semnale cu un grad mare de dependen spaial sau n care algoritmul ACIT a ntlnit semnale cu un grad mare de dependen temporal, nu s-au putut separa sursele originale. Atunci cnd semnalele nu au fost att de dependente spaial (ACIS) sau temporal (ACIT), semnalele originale au putut fi separate cu succes.

Experimentul RMNF
Rezultatele pentru experimentul RMNF, att n cazul ACIS, ct i n cazul ACIT sunt prezentate n tabelul 1. Tabelul 1
Subiectul (a) Amndou (LA, RB) ACIS 1 2 3 4 5 Precizia[%] + LA, RB + LA, RB + LA, RB + LA, RB + LA, RB 100 ACIT + LA, RB + LA, RB + LA, RB + LA, RB + LA, RB 100 ACIS - FA - FAC - FAC - FAC - FAC 0 ACIT - FAC - FAC - FAC - FAC - FAC 0 ACIS + LA, RC + LA, RC + LA, RC + LA, RC + LA, RC 100 ACIT - FC - FC - FC - FA - F1/L2 0 ACIS - FA - L1/R2 - L12/RB - L1/R2 - L1/R2 0 ACIT + FA, RB + FA, RB + FA, RB + FA, RB + FA, RB 100 (d) Fr (RA, FC) (c) ACIS (RA, LC) (b) ACIT (RA, FB)

Rezultatele de la toi subiecii. (+) indic c ACI a avut succes n urma regresiei liniare, iar (-) indic faptul c ACI nu a reuit n urma regresiei liniare. Codul de litere este urmtorul: L=cortexul

vizual stng, R=cortexul vizual drept, F=ntregul cortex vizual (stng i drept). A, B i C indic care variaie a semnalului n timp este folosit (fig. 2).

10

Figura 3
Rezultatele analizelor datelor simulate. Culoarea roie corespunde zonelor care au generat semnalul rou, culoarea albastr corespunde zonelor care au generat semnalul albastru i culoarea verde care indic zonele care au generat acelai semnal. Figurile sunt aranjate pe 3 coloane i 4 rnduri, coloanele reprezentnd rezultatele ACIS, rezultatele regresiei, respectiv rezultatele ACIT. Rndurile reprezint experimente succesive. ACIS a avut succes n cazurile (a) i (c), n timp ce ACIT a avut succes n cazurile (a) i (b). Regresia a avut succes n toate cazurile.

11

Figura 4.
Rezultatele analizei datelor obinute de la un subiect; culoare roie corespunde zonelor care au generat semnalul rou, culoarea albastr corespunde zonelor care au generat semnalul albastru, iar culoarea verde corespunde zonelor care au generat aceleai semnale. Figurile sunt aranjate pe trei coloane ce corespund analizei ACIS, analizei ACIT, respectiv regresiei liniare. Rndurile reprezint experimente succesive. ACIS a funcionat dup aplicarea regresiei n cazurile (a) i (c), n timp ce ACIT a funcionat n cazurile (a) i (b).

12

Concluzie
Analiza componentelor independente se poate aplica datelor obinute prin RMNF n dou moduri: spaial sau temporal. S-a demonstrat c aceste dou metode au rezultate diferite, depinznd de caracteristica semnalelor mixate care au fost estimate. O caracteristic puternic a metodei ACI este c poate descompune datele fr a face presupuneri specifice despre modele. Totui, ACI nu este eficient fr a face nici-o presupunere. Dup cum s-a artat, semnalele pot fi obinute numai dac s-a fcut alegerea corect (ntre dependena spaial i cea temporal).

Bibliografie
Bell AJ, Sejnowski TJ (1995): An information maximisation approach to blind separation and blind deconvolution. Neural Computation. McKeown MJ, Jung TP, Makeig S, Brown G, Kindermann SS, Lee TW, Sejnowski TJ (1998a): Spatially independent activity patterns in functional MRI data during the stroop color-naming task. Proc Natl Acad Sci U S A. McKeown MJ, Makeig S, Brown GG, Jung TP, Kindermann SS, Bell AJ, Sejnowski TJ (1998b): Analysis of fMRI data by blind separation into independent spatial components. Hum Brain Mapp. Peterson KS, Hansen LK, Kolenda T, Rostrup E, and Strother SC (2000): On the independent components of functional neuroimages. Pajunen P, Karhunen J, editors. In: Proceedings ICA2000,Helsinki. Espoo, Finland: Otamedia. Talairach J, Tournoux P (1988): A co-planar sterotaxic atlas of a human brain. Stuttgart: Thieme. Cardoso JF (1994): On the performance of orthogonal source separation algorithms. In: Proceedings EUSIPCO, Edinburgh. Calhoun V, Kraut M, Adali T, Pearlson G (2000b): A weighted-least squares method for latency estimation in fMRI. In: Proceedings ISMRM, Ninth Annual Meeting, Denver.

13