Ανάλυση εγκεφαλικής δραστηριότητας και ταξινόμηση νευροφυσιολογικών καταστάσεων με χρήση δεδομένων ηλεκτροεγκεφαλογραφήματος και μαγνητικής τομογραφίας

Abstract

This PhD thesis addresses the analysis of brain activity and the classification of neurophysiological states in healthy individuals and patients, exploiting electroencephalography (EEG) and diffusion tensor imaging (DTI) data and employing methods from statistics, machine learning, and deep learning. Based on these techniques, the work aims to discriminate between different states of brain function and to identify significant features, focusing on cognitive processes related to memory, mental fatigue, real and imagined movement, as well as on overall brain connectivity. The objectives of the thesis include the investigation of the applicability of user-friendly cognitive training protocols, the utilisation of brain–computer interfaces for the study and support of motor functions, and the analysis of brain reorganisation at the structural level due to disease and therapeutic interventions. Within this framework, the contribution of portable and low-complexity EEG systems to the assessment of cognitive functions and memory processes is investigated. Through an experimental cognitive training protocol based on the distinction between automatic and controlled memory processes, both behavioural indices and electrophysiological features of induced activity (ERS/ERD) are analysed. The results demonstrate that even single-channel portable EEG devices can provide meaningful information for the interpretation of cognitive changes, enhancing behavioural assessment. Subsequently, the thesis focuses on the study of mental fatigue due to sleep deprivation, exploiting multichannel EEG data and functional connectivity indices combined with the selection of interpretable features based on machine learning methods. The analysis revealed critical differentiations in interactions among brain regions, corresponding to disruptions in executive control and working memory networks. In parallel, a multifaceted analysis of real and imagined lower-limb movement data is conducted, acquired through a specialised experimental protocol aimed at investigating the feasibility of designing and training a brain-computer interface (BCI) system. In this context, correlation-based techniques are applied to compare real and imagined movement, while the role of guidance stimuli (visual or auditory according to the acquisition protocol) is also examined with respect to brain activity differentiation and classification performance based on machine learning. Furthermore, deep learning techniques (with the application of a convolutional neural network) are employed on these data for the classification of real movements, achieving high performance and highlighting their potential use in rehabilitation applications. Finally, the thesis extends to a clinical context by examining structural alterations in brain connectivity in patients with small-cell lung cancer (SCLC) after chemotherapy. Through the analysis of DTI data and the application of machine learning techniques combined with a framework for selecting robust and interpretable features, a small subset of anatomical connections was identified that distinguished patients from healthy controls with high accuracy, highlighting effects on brain functions closely related to cognitive performance. Overall, the thesis demonstrates the potential for interpretable classification and analysis of brain states based on electrophysiological and neuroimaging data, in combination with behavioural cognitive metrics and the application of diverse protocols covering cognitive training, mental fatigue analysis, motor function analysis, and the study of the effects of disease and therapeutic approaches.

Η διδακτορική διατριβή πραγματεύεται την ανάλυση της εγκεφαλικής δραστηριότητας και την ταξινόμηση νευροφυσιολογικών καταστάσεων σε υγιείς και ασθενείς, αξιοποιώντας δεδομένα ηλεκτροεγκεφαλογραφήματος (EEG) και απεικόνισης τανυστή διάχυσης (DTI) και χρησιμοποιώντας μεθόδους στατιστικής, μηχανικής μάθησης, και βαθιάς μάθησης. Με βάση τις τεχνικές αυτές, επιχειρείται η διάκριση μεταξύ καταστάσεων εγκεφαλικής λειτουργίας και η ανάδειξη σημαντικών χαρακτηριστικών, εστιάζοντας σε γνωσιακές διεργασίες μνήμης, νοητικής κόπωσης, πραγματικής και φανταστικής κίνησης, καθώς και στη γενικότερη συνδεσιμότητα του εγκεφάλου. Οι στόχοι της διατριβής περιλαμβάνουν τη διερεύνηση της εφαρμοσιμότητας φιλικών προς τον χρήστη πρωτοκόλλων γνωσιακής εκπαίδευσης, την αξιοποίηση διεπαφών εγκεφάλου-υπολογιστή για μελέτη και υποβοήθηση κινητικών λειτουργιών, καθώς και την ανάλυση της εγκεφαλικής αναδιοργάνωσης σε δομικό επίπεδο λόγω επίδρασης ασθένειας και θεραπευτικού πρωτοκόλλου. Στο πλαίσιο αυτό, μελετάται η συμβολή φορητών και ελάχιστης πολυπλοκότητας συστημάτων EEG στην αξιολόγηση γνωστικών λειτουργιών και μνημονικών διεργασιών. Μέσω ενός πειραματικού πρωτοκόλλου γνωσιακής εκπαίδευσης βασισμένου στη διάκριση αυτόματων και ελεγχόμενων διεργασιών μνήμης, αναλύονται τόσο συμπεριφορικοί δείκτες όσο και ηλεκτροφυσιολογικά χαρακτηριστικά επαγόμενης δραστηριότητας (ERS/ERD). Τα αποτελέσματα καταδεικνύουν ότι ακόμη και μονοκαναλικές φορητές διατάξεις EEG μπορούν να προσφέρουν ουσιαστική πληροφορία για την ερμηνεία γνωσιακών μεταβολών, ενισχύοντας τη συμπεριφορική αξιολόγηση. Στη συνέχεια, η διατριβή εστιάζει στη μελέτη της νοητικής κόπωσης λόγω στέρησης ύπνου, αξιοποιώντας πολυκαναλικά δεδομένα EEG και δείκτες λειτουργικής συνδεσιμότητας σε συνδυασμό με επιλογή ερμηνεύσιμων χαρακτηριστικών βάσει μεθόδων μηχανικής μάθησης. Η ανάλυση ανέδειξε κρίσιμες διαφοροποιήσεις στις αλληλεπιδράσεις μεταξύ εγκεφαλικών περιοχών, οι οποίες αντιστοιχούν σε διαταραχές στα δίκτυα εκτελεστικού ελέγχου και εργασιακής μνήμης. Παράλληλα, πραγματοποιείται πολύπλευρη ανάλυση δεδομένων πραγματικής και φανταστικής κίνησης κάτω άκρων, τα οποία έχουν ληφθεί μέσω ενός εξειδικευμένου πειραματικού πρωτοκόλλου με στόχο τη διερεύνηση της ικανότητας σχεδιασμού και εκπαίδευσης συστήματος διεπαφής εγκεφάλου-υπολογιστή (BCI). Στο πλαίσιο αυτό, εφαρμόζονται τεχνικές συσχέτισης για σύγκριση πραγματικής και φανταστικής κίνησης, ενώ ταυτόχρονα μελετάται και ο ρόλος του ερεθίσματος καθοδήγησης (οπτικό ή ακουστικό κατά το πρωτόκολλο λήψης δεδομένων) στη διαφοροποίηση της εγκεφαλικής δραστηριότητας και την ικανότητα ταξινόμησης βάσει μηχανικής μάθησης. Επιπρόσθετα, στα δεδομένα αυτά εφαρμόστηκαν τεχνικές βαθιάς μάθησης (με εφαρμογή συνελικτικού νευρωνικού δικτύου) για την ταξινόμηση των πραγματικών κινήσεων, επιτυγχάνοντας υψηλή απόδοση και αναδεικνύοντας την προοπτική αξιοποίησης σε εφαρμογές αποκατάστασης. Τέλος, η διατριβή επεκτείνεται σε κλινικό πλαίσιο, εξετάζοντας δομικές μεταβολές εγκεφαλικής συνδεσιμότητας σε ασθενείς με μικροκυτταρικό καρκίνο του πνεύμονα (SCLC) μετά από χημειοθεραπεία. Μέσω ανάλυσης δεδομένων DTI και εφαρμογής τεχνικών μηχανικής μάθησης σε συνδυασμό με ένα πλαίσιο επιλογής ισχυρών και ερμηνεύσιμων χαρακτηριστικών, αναδείχθηκε ένα μικρό υποσύνολο ανατομικών συνδέσεων που διέκρινε με υψηλή ακρίβεια ασθενείς από υγιείς, αναδεικνύοντας την επίδραση σε εγκεφαλικές λειτουργίες που σχετίζονται στενά με τη γνωσιακή απόδοση. Συνολικά, η διατριβή αναδεικνύει τη δυνατότητα ερμηνεύσιμης ταξινόμησης και ανάλυσης εγκεφαλικών καταστάσεων βάσει ηλεκτροφυσιολογικών και απεικονιστικών δεδομένων, σε συνδυασμό με την αξιοποίηση συμπεριφορικών γνωσιακών μετρικών και την εφαρμογή διαφορετικών πρωτοκόλλων που καλύπτουν γνωσιακή εκπαίδευση, ανάλυση νοητικής κόπωσης, ανάλυση κινητικών λειτουργιών, και μελέτη επίδρασης ασθένειας και θεραπευτικής προσέγγισης.