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

Abstract

Els avenços en les tècniques de neuroimatge han estat fonamentals per identificar nous biomarcadors de malalties cerebrals. La ressonància magnètica funcional en estat de repòs (rsfMRI) quantifica de manera no invasiva el senyal dependent del nivell d'oxigen a la sang (BOLD) a totes les regions del cervell amb una alta resolució espacial, mentre que la resolució temporal de l'electroencefalografia (EEG ) per mesurar la resposta elèctrica del cervell és insuperable. La majoria dels mètodes estadístics i daprenentatge automàtic utilitzats per analitzar dades de rsfMRI i EEG són estàtics i lineals, no capten el dinamisme i la complexitat del cervell i són propensos al soroll residual. Els objectius generals daquesta tesi doctoral són i) proporcionar una visió metodològica proposant un mètode estadístic, anomenat anàlisi per procés de punts (PPA), i un mètode d?aprenentatge automàtic (ML) multibanda no lineal d?EEG. Aquests mètodes són especialment útils per investigar la configuració cerebral de participants d'edat avançada i d'individus amb malalties neurodegeneratives, i per predir l'edat i la qualitat del son; i ii) compartir coneixements biològics sobre la sincronització entre regions cerebrals (és a dir, la connectivitat funcional i la connectivitat funcional dinàmica) en diferents etapes del deteriorament cognitiu lleu i en la malaltia d'Alzheimer. Les troballes, comunicades i discutides en aquesta tesi, obren un camí per a noves idees de recerca, com l'aplicació de PPA a dades d'EEG, l'ajust de l'algorisme ML no lineal per aplicar-lo a rsfMRI i l'ús d'aquests mètodes per comprendre'n millor d'altres malalties neurològiques.

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.

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.