Eşzamanlı EEG-fMRG verilerinden balistokardiyogram gürültüsünün giderilmesi için derin öğrenme uygulamaları
Deep learning applications for removing ballistocardiogram artifact from simultaneous EEG-fMRI
- Tez No: 1016318
- Danışmanlar: DOÇ. DR. GÜZİN ÖZMEN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Eşzamanlı Elektroensefalografi (EEG) ve Fonksiyonel Manyetik Rezonans Görüntüleme (fMRG) kayıtları, yüksek zamansal ve yüksek mekânsal çözünürlük avantajlarını birleştirerek beyin ağlarını incelemek için güçlü bir yaklaşım sunmaktadır. Ancak bu kayıtlar sırasında kalp atışına bağlı vücut hareketleri nedeniyle ortaya çıkan balistokardiyogram (BCG) artefaktları MR ortamında elde edilen EEG sinyallerinin kalitesini bozmaktadır. Gürültülü EEG sinyalleri ise beyin grafiklerinin doğru değerlendirilmesini sınırlandırmaktadır. Geleneksel yöntemler kalp atış hızının değişkenliğine uyum sağlayamamakta ve manuel işlem gerektirmektedir. Bu tez çalışmasında BCG artefaktlarının etkili bir şekilde giderilmesi ve daha temiz beyin ağ grafikleri elde edilmesi amacıyla DeepBCGNet adı verilen yeni bir yöntem geliştirilmiştir. Geliştirilen yöntem, kodlayıcı ve kod çözücü blokları Çift Yönlü Uzun Kısa Bellek (BiLSTM) katmanlarından oluşan ve bloklar arasında dikkat mekanizması katmanı bulunan Gürültü Giderici Otokodlayıcı (DAE) tabanlı bir yapıdadır. BiLSTM katmanları hem geçmiş hem de geleceğe ait bilgileri işlerken, dikkat katmanı artefakt aktivitesinin yoğun olduğu önemli bölgelere odaklanmaktadır. Artefakt giderme başarısı, sinyal kalite metrikleri kullanılarak hem klasik yöntemlerle (Ortalama Artefakt Çıkarımı – OAÇ, Optimal Temel Küme – OTS, Bağımsız Bileşen Analizi – BBA) hem de derin öğrenme tabanlı yöntemlerle karşılaştırılmıştır. DeepBCGNet modeli, hem hata metriklerinde (MSE=0.0018; RMSE=0.0308) hem de kalite metriklerinde (PSNR=33.83 dB; SNR=27.82 dB; SSIM=0.8144) en iyi performansı göstermiştir. DTW (12.26) ve güç spektral yoğunluğu (PSD) analiz sonuçları, modelin sinyalin zamansal ve spektral özelliklerini koruduğunu göstermektedir. Ayrıca, LOSO çapraz doğrulama sonuçları modelin bireyler arası genelleme performansını ortaya koymaktadır. Artefakt giderme sonrasında statik ve dinamik EEG-fMRG korelasyon matrislerine dayalı bağlantısallık analizleri gerçekleştirilmiştir. Beyin grafikleri, ağ teorisi metrikleri kullanılarak DeepBCGNet ve klasik yöntemlerden OAÇ yöntemi açısından karşılaştırılmıştır. Elde edilen sonuçlar, statik grafiklerde (CC=16.07; CS=0.4613; GE=0.5574) ve dinamik grafiklerde (CC=22.72; CS=0.4689; GE=0.6339) artefakt giderme başarısının ağ teorisi metriklerini de iyileştirdiğini göstermektedir. Sonuç olarak bu tez çalışması, artefakt giderme ile beyin grafikleri analizleri arasındaki ilişkiye yeni bir bakış açısı sunmaktadır. Ayrıca önerilen model, QRS tespiti gerektirmediği için ek EKG donanımına ihtiyaç duymamakta ve otomatik yapısı sayesinde mevcut sınırlamaları minimize etmektedir.
Özet (Çeviri)
Simultaneous electroencephalography (EEG) and functional magnetic resonance imaging (fMRI) recordings offer a powerful approach for investigating brain networks by combining the advantages of high temporal and high spatial resolution. However, ballistocardiogram (BCG) artifacts arising from heartbeat-related body movements during these recordings degrade the quality of EEG signals acquired in the MR environment. Noisy EEG signals, in turn, limit the accurate assessment of brain graphs. Traditional methods cannot adapt to heart rate variability and require manual processing. In this thesis, a novel method called DeepBCGNet was developed to effectively remove BCG artifacts and obtain cleaner brain network graphs. The developed method features a Denoising Autoencoder (DAE)-based structure that consists of encoder and decoder blocks built from Bidirectional Long Short-Term Memory (BiLSTM) layers, with an attention mechanism layer situated between the blocks. While the BiLSTM layers process information from both past and future, the attention layer focuses on the important regions with intense artifact activity. Artifact removal performance was compared using signal quality metrics with both classical methods (Average Artifact Subtraction – AAS, Optimal Basis Set – OBS, Independent Component Analysis – ICA) and deep learning-based approaches. The DeepBCGNet model demonstrated the best performance in both error metrics (MSE=0.0018; RMSE=0.0308) and quality metrics (PSNR=33.83 dB; SNR=27.82 dB; SSIM=0.8144). DTW (12.26) and power spectral density (PSD) analysis results indicate that the model preserves the temporal and spectral characteristics of the signal. In addition, LOSO cross-validation results reveal the model's inter-subject generalization performance. Following artifact removal, connectivity analyses based on static and dynamic EEG-fMRI correlation matrices were performed. Brain graphs were compared between DeepBCGNet and the classical AAS method using network theory metrics. The results obtained show that artifact removal also improves network theory metrics in both static (CC=16.07; CS=0.4613; GE=0.5574) and dynamic graphs (CC=22.72; CS=0.4689; GE=0.6339). In conclusion, this thesis offers a new perspective on the relationship between artifact removal and brain graph analyses. Furthermore, since the proposed model does not require QRS detection, there is no need for additional ECG hardware, and its automated structure minimizes current limitations.
Benzer Tezler
- Investigation of oscillatory mechanisms and thalamo-cortical circuitry of the visual system by simultaneous EEG-FMRI
Görsel sistemdeki osilatör mekanizmalarin ve talamo-kortikal devrenin eşzamanli EEG-FMRG ile araştirilmasi
ALİ BAYRAM
Doktora
İngilizce
2014
BiyomühendislikBoğaziçi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ADEMOĞLU
- Görme sisteminde nöronal osilatörlerin varlığının, çeşitli frekanslardaki görsel uyaranlara karşı elde edilen elektroensefalografik yanıtlarla incelenmesi
Investigation of the presence of neuronal oscillators in the visual system by using electroencephalographic responses to visual stimuli at various frequencies
ELİF KURT
Yüksek Lisans
Türkçe
2012
Fizyolojiİstanbul ÜniversitesiSinir Bilimi Ana Bilim Dalı
PROF. DR. TAMER DEMİRALP
- Tensor analysis of neuroimaging data
Nörogörüntülemede tensör analizi
ESİN KARAHAN ŞENVARDAR
Doktora
İngilizce
2015
BiyoistatistikBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ADEMOĞLU
- Fonksiyonel manyetik rezonans görüntüleme ile eş zamanlı kaydedilen elektroensefalogram üzerinde oluşan artefaktların giderilmesi
Elimination of the artifacts from electroencephalogram recorded simultaneously with functional magnetic resonance imaging
BASRİ ERDOĞAN
Yüksek Lisans
Türkçe
2009
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ
- Kısa süreli bellek ile ilişkili elektriksel salınımların hemodinamik karşılıklarının EEG-fMRI eşzamanlı ölçüm yöntemi ile analizi
Analysis of hemodynamic correlates of electrical oscillations related with short-term memory using simultaneous EEG-fMRI
ITIR KAŞIKÇI
Yüksek Lisans
Türkçe
2010
Fizyolojiİstanbul ÜniversitesiSinir Bilimi Ana Bilim Dalı
PROF. DR. TAMER DEMİRALP