Data-Driven Methods for Analyzing TMS-Evoked EEG Responses

Abstract

Transcranial magnetic stimulation (TMS) is a technique with which one can non-invasively activate a selected area in the brain. Consequently, signals arising from the TMS-evoked neural activity can be measured on the scalp by electroencephalography (EEG). These measurements can be used to understand brain functions in various physiological and pathophysiological conditions. There are many possibilities for interpreting EEG. A single EEG channel measures a weighted sum of activity in several brain regions as well as artifacts and noise. Therefore, EEG data are commonly recorded using several channels, which should be optimally utilized to uncover the underlying interesting brain activity. Physical and statistical modelling of the data can be used to identify and interpret neural processes based on EEG. In addition to the EEG signals arising from brain activity, TMS often gives rise to severe stimulus-induced artifacts in EEG, which can completely mask the interesting neural signals. The TMS-related artifacts arise from several origins and their physical modelling is not feasible. In this Thesis, we used and developed blind source separation (BSS) techniques, which are based solely on statistical modelling of the data. The aim was to identify and separate artifacts and neural activity in TMS-evoked EEG using two BSS methods: independent component analysis (ICA) and momentary-uncorrelated component analysis (MUCA). There are many sources of uncertainty when applying these methods to the EEG data: (1) The identification of artifactual and neural processes/activity is highly subjective. (2) When the data have high-amplitude artifacts, BSS becomes unstable. (3) The TMS-evoked EEG is non-stationary (time-dependent), which is commonly not taken into account in the statistical models of the BSS methods. All of these issues have been discussed and solutions for the problems have been presented in this work. We also developed methods to clean noisy EEG, which are designed to utilize multi-sensor EEG measurement optimally based on the Wiener estimation framework and physical model for the EEG signals originating from the brain. Altogether, the presented methods are designed for identifying and correcting contaminated TMS-evoked EEG signals and uncovering underlying neural activity. The applicability of the techniques also extends to EEG and magnetoencephalography (MEG) responses related to any other stimuli or events. Finally, the introduced artifact and noise suppression techniques are suitable for eliminating various kinds of distortions in EEG/MEG.

Transkraniaaalinen magneettistimulaatio (TMS) on tekniikka, jolla aivojen hermosoluja voidaan aktivoida kohdennetusti kallon ulkopuolelta käsin. Pään pinnalta voidaan puolestaan elektroenkefalografialla (EEG) mitata sähköisiä signaaleja, ns. TMS-herätepotentiaaleja, jotka syntyvät hermosolujen aktivoitumisesta ja vuorovaikutuksesta TMS:n seurauksena. Tätä koeasetelmaa käyttäen voidaan ymmärtää aivojen toimintaa erilaisissa olosuhteissa ja sairauksissa. EEG-signaaleja voidaan tulkita monilla eri tavoilla. Yksittäinen EEG-kanava mittaa painotettua summaa monien aivoalueiden yhtäaikaisesta toiminnasta. Mittaussensoreita käytetäänkin yleensä useita, ja niiden antama informaatio tulisi hyödyntää optimaalisesella tavalla datan tulkinnassa. Mittausdataa voidaan analysoida sekä fysikaalista että tilastollisista mallintamista käyttäen. Aivoperäisen signaalin lisäksi TMS aiheuttaa EEG-signaaleihin häiriöitä, jotka voivat peittää kiinnostavan osan datasta. Häiriöt syntyvät monilla eri mekanismeilla, eikä niitä osata fysikaalisesti mallintaa. Tässä väitöstyössä käytimme ja kehitimme TMS-herätepotentiaalien analysoimikseksi sokeaa lähteiden erottelua (blind source separation, BSS), joka perustuu puhtaasti tilastolliseen mallintamiseen. Tavoitteena oli erotella monikanavaisesta datasta hermosolujen ja häiriöiden synnyttämiä signaaleja käyttäen kahta eri BSS-menetelmää: riippumattominen komponenttien analyysiä (independent component analysis, ICA) ja korreloimattominen komponenttien analyysiä (momentary-uncorrelated component analysis, MUCA). BSS-menetelmien käyttöön liittyy useita haasteita: (1) Saatujen komponenttien tulkinta on subjektiivista ja siksi osittain epävarmaa. (2) Suuriamplitudiset häiriösignaalit tekevät menetelmistä matemaattisesti epästabiileja. (3) TMS-herätepotentiaalit riippuvat ajasta, mitä käytetyt tilastolliset mallit eivät yleensä ota huomioon. Näitä aiheita ja ongelmien ratkaisuja on käsitelty tässä väitöstyössä kattavasti. Lisäksi olemme kehittäneet EEG-signaalien kohinanpoistoamenetelmiä, jotka hyödyntävät optimaalisesti monikanavaista mittaussignaalia perustuen Wiener-suodatukseen ja EEG:n fysikaaliseen mallintamiseen . Kokonaisuudessaan esitellyt tekniikat on suunniteltu erityisesti TMS-herätevateiden häiriönpoistoon ja kiinnostavien signaalien erottelemiseen datasta. Ne soveltuvat kuitenkin hyvin kaikenlaisten EEG:llä ja magnetoenkefalografialla (MEG) mitattujen herätevasteiden analysoimiseen. Lisäksi kehitetyt signaalien puhdistamismenetelmät ovat käyttökelpoisia monenlaisten aivojen ulkopuolella syntyvien häiriöiden poistamiseksi sekä EEG:stä että MEG:stä.