ICA aplicado a datos de EEG y fMRI

Ingo R. Keck1
1 Departamento de Biof sica Universidad de Regensburg Alemania

CIIT 10/2007

Ingo Keck

ICA y Datos de EEG/ fMRI

1/1

Contenidos

EEG y fMRI Anlisis de Componentes Independientes (ICA) a ICA aplicado a datos de EEG ICA aplicado a datos de fMRI Clustering con ICA incompleto ICA incompleto paralelo Conclusiones y Perspectivas

Ingo Keck

ICA y Datos de EEG/ fMRI

2/1

Contenidos

EEG y fMRI Anlisis de Componentes Independientes (ICA) a ICA aplicado a datos de EEG ICA aplicado a datos de fMRI Clustering con ICA incompleto ICA incompleto paralelo Conclusiones y Perspectivas

Ingo Keck

ICA y Datos de EEG/ fMRI

2/1

Contenidos

EEG y fMRI Anlisis de Componentes Independientes (ICA) a ICA aplicado a datos de EEG ICA aplicado a datos de fMRI Clustering con ICA incompleto ICA incompleto paralelo Conclusiones y Perspectivas

Ingo Keck

ICA y Datos de EEG/ fMRI

2/1

Contenidos

EEG y fMRI Anlisis de Componentes Independientes (ICA) a ICA aplicado a datos de EEG ICA aplicado a datos de fMRI Clustering con ICA incompleto ICA incompleto paralelo Conclusiones y Perspectivas

Ingo Keck

ICA y Datos de EEG/ fMRI

2/1

Contenidos

EEG y fMRI Anlisis de Componentes Independientes (ICA) a ICA aplicado a datos de EEG ICA aplicado a datos de fMRI Clustering con ICA incompleto ICA incompleto paralelo Conclusiones y Perspectivas

Ingo Keck

ICA y Datos de EEG/ fMRI

2/1

Contenidos

EEG y fMRI Anlisis de Componentes Independientes (ICA) a ICA aplicado a datos de EEG ICA aplicado a datos de fMRI Clustering con ICA incompleto ICA incompleto paralelo Conclusiones y Perspectivas

Ingo Keck

ICA y Datos de EEG/ fMRI

2/1

Contenidos

EEG y fMRI Anlisis de Componentes Independientes (ICA) a ICA aplicado a datos de EEG ICA aplicado a datos de fMRI Clustering con ICA incompleto ICA incompleto paralelo Conclusiones y Perspectivas

Ingo Keck

ICA y Datos de EEG/ fMRI

2/1

Generalidades

Metodo MEG EEG fMRI PET

definicion temporal espacial 1 ms 1 ms 35 s 45 s 5 1015 1.01.5 4 mm mm mm mm

invasivo no no no s

precio $$$$ $ $$$ $$

Ingo Keck

ICA y Datos de EEG/ fMRI

3/1

Electroencefalograf a

Primera publicacin por Berger (1929) o Neuronas como antenas Muy barato; decin: ms, mm; o

Ingo Keck

ICA y Datos de EEG/ fMRI

4/1

functional Magnetic Resonance Imaging (fMRI)

Primera publicacin por Ogawa (1990) y Kwong (1992) o Basado en resonancia magntica (MRI) e Mide: caracter sticas magnticas e Marcador del ujo de la sangre: desoxihemoglobina (BOLD)

Ingo Keck

ICA y Datos de EEG/ fMRI

5/1

Blood Oxygenation Level Dependency (BOLD)

Objetivo: Investigacin de la actividad cerebral o actividad aumentada en una regin del cerebro o ujo de la sangre aumentado en dicha regin o

arterioles

capillary bed

venules

arterioles

capillary bed

venules

no activacin o

activacin o

Ingo Keck

ICA y Datos de EEG/ fMRI

6/1

Funcin de Respuesta de la Hemoglobina o

signal

4s

8s time

12s

Problemas: diferentes personas tienen diferentes funciones de respuesta depende de la posicin dentro del cerebro o depende de la historia dentro del experimento

Ingo Keck

ICA y Datos de EEG/ fMRI

7/1

Forma de toma

cada medida resulta en una imagen planar tiempo entre imagenes: 10100ms

Ingo Keck

ICA y Datos de EEG/ fMRI

8/1

GLM aplicado a fMRI

Anlisis clsico de fMRI: a a General linear model (GLM) evolucin temporal de un voxel: x = (x(t1 ), ..., x(tn ))T o GLM: x = Fb + e b: coecientes de regresin, F: funciones del ltro, e: errores o de la distribucin gaussiana (GLM) o desventaja: Hay que conocer la evolucin temporal de la o actividad para el anlisis a

Ingo Keck

ICA y Datos de EEG/ fMRI

9/1

GLM aplicado a fMRI

Anlisis clsico de fMRI: a a General linear model (GLM) evolucin temporal de un voxel: x = (x(t1 ), ..., x(tn ))T o GLM: x = Fb + e b: coecientes de regresin, F: funciones del ltro, e: errores o de la distribucin gaussiana (GLM) o desventaja: Hay que conocer la evolucin temporal de la o actividad para el anlisis a

Ingo Keck

ICA y Datos de EEG/ fMRI

9/1

Separacin ciega de fuentes (BSS) o

fuentes

mezcla

BSS

Se conoce: Mezcla de seales x(t) n Se busca: Las fuentes originales s(t) No hay una unica solucin se necesita ms informacin o a o

Ingo Keck

ICA y Datos de EEG/ fMRI

10/1

Anlisis de Componentes Independientes (ICA) a

ICA usa las siguientes hiptesis para BSS: o las fuentes s(t) son estad sticamente independientes entre s : p(si (t), sj (t)) = p(si (t))p(sj (t)) el tipo de la mezcla se conoce, por ejemplo lineal: x(t) = As(t) mximo una fuente puede ser Gaussiana a Buena aplicacin: Bsqueda de seales en el cerebro. o u n

Ingo Keck

ICA y Datos de EEG/ fMRI

11/1

ICA aplicado a EEG

ICA temporal: x(t ) = As(t ) Las mezclas x(t ) son las seales de los sensores n Las fuentes s(t ) son las seales del cerebro n ventaja: sin modelo, no hay que conocer la funcin de o actividad para el anlisis a

Ingo Keck

ICA y Datos de EEG/ fMRI

12/1

ICA aplicado a EEG

ICA temporal: x(t ) = As(t ) Las mezclas x(t ) son las seales de los sensores n Las fuentes s(t ) son las seales del cerebro n ventaja: sin modelo, no hay que conocer la funcin de o actividad para el anlisis a

Ingo Keck

ICA y Datos de EEG/ fMRI

12/1

Ejemplos de componentes

Seal n

Ingo Keck

ICA y Datos de EEG/ fMRI

13/1

Ejemplos de componentes

Artefacto: parpadear

Ingo Keck

ICA y Datos de EEG/ fMRI

14/1

Ejemplos de componentes

Artefacto: latidos

Ingo Keck

ICA y Datos de EEG/ fMRI

15/1

ICA aplicado a fMRI

ICA espacial: x(r ) = As(r ) La segregacin funcional del cerebro corresponde a la o independencia estad stico espacial Las mezclas x(r ) son las imgenes fMRI a Las fuentes s(r ) son los mapas de activacin o La evaluacin temporal de la activacin est en las columnas o o a de la matriz de mezcla A ventaja: sin modelo, no hay que conocer la funcin de o actividad para el anlisis a

Ingo Keck

ICA y Datos de EEG/ fMRI

16/1

ICA aplicado a fMRI

ICA espacial: x(r ) = As(r ) La segregacin funcional del cerebro corresponde a la o independencia estad stico espacial Las mezclas x(r ) son las imgenes fMRI a Las fuentes s(r ) son los mapas de activacin o La evaluacin temporal de la activacin est en las columnas o o a de la matriz de mezcla A ventaja: sin modelo, no hay que conocer la funcin de o actividad para el anlisis a

Ingo Keck

ICA y Datos de EEG/ fMRI

16/1

Ejemplos de componentes

artefactos

Ingo Keck

ICA y Datos de EEG/ fMRI

17/1

Ejemplos de componentes

ruido

Ingo Keck

ICA y Datos de EEG/ fMRI

18/1

Ejemplos de componentes

tarea

Ingo Keck

ICA y Datos de EEG/ fMRI

19/1

Ejemplos de componentes

no-tarea

Ingo Keck

ICA y Datos de EEG/ fMRI

20/1

Ejemplo: Un experimento de percepcin de palabras o

Organizacin: o 4 personas escuchan palabras transformadas 4 clases, basado en el nmero de las bandas de frecuencia u (FB1FB4) slo la clase FB4 se puede interpretar como palabras o Tarea: Presionar un botn si se ha entendido la palabra o Anlisis clsico mediante GLM: a a slo 1 de las 4 personas ten una activacin que estaba o a o correlacionada con la funcin de actividad (corteza auditiva y o reas motoras suplementarias) a no se encontr ninguna activacin en las regiones para la o o percepcin de la palabra o

Ingo Keck

ICA y Datos de EEG/ fMRI

21/1

Ejemplo: Un experimento de percepcin de palabras o

Organizacin: o 4 personas escuchan palabras transformadas 4 clases, basado en el nmero de las bandas de frecuencia u (FB1FB4) slo la clase FB4 se puede interpretar como palabras o Tarea: Presionar un botn si se ha entendido la palabra o Anlisis clsico mediante GLM: a a slo 1 de las 4 personas ten una activacin que estaba o a o correlacionada con la funcin de actividad (corteza auditiva y o reas motoras suplementarias) a no se encontr ninguna activacin en las regiones para la o o percepcin de la palabra o

Ingo Keck

ICA y Datos de EEG/ fMRI

21/1

ICA espacial mediante FastICA

Varias componentes con actividad en la corteza auditiva (todos) Varias componentes con actividad en las reas a motoras sup. (todos) Componentes relacionadas a una red de deteccin de o palabras (3 personas) Componentes relacionadas a una red de decisin (3 o personas)

Ingo Keck

ICA y Datos de EEG/ fMRI

22/1

ICA espacial mediante FastICA

Varias componentes con actividad en la corteza auditiva (todos) Varias componentes con actividad en las reas a motoras sup. (todos) Componentes relacionadas a una red de deteccin de o palabras (3 personas) Componentes relacionadas a una red de decisin (3 o personas)

Ingo Keck

ICA y Datos de EEG/ fMRI

22/1

ICA espacial mediante FastICA

Varias componentes con actividad en la corteza auditiva (todos) Varias componentes con actividad en las reas a motoras sup. (todos) Componentes relacionadas a una red de deteccin de o palabras (3 personas) Componentes relacionadas a una red de decisin (3 o personas)

Ingo Keck

ICA y Datos de EEG/ fMRI

22/1

ICA espacial mediante FastICA

Varias componentes con actividad en la corteza auditiva (todos) Varias componentes con actividad en las reas a motoras sup. (todos) Componentes relacionadas a una red de deteccin de o palabras (3 personas) Componentes relacionadas a una red de decisin (3 o personas)

Ingo Keck

ICA y Datos de EEG/ fMRI

22/1

ICA espacial mediante FastICA

1.5

0.5

activity [a.u.]

0.5

1.5

2 30 35 40 45 50 55 60 65 70 75

scan no.

corr = 0.36

Ingo Keck

ICA y Datos de EEG/ fMRI

23/1

Aplicacin fMRI o
Conclusin: o ICA funciona bien con datos de fMRI ICA es una clase de anlisis sin-modelo para fMRI a ICA presenta mejores resultados que GLM ICA puede ser una herramienta poderosa en la investigacin o del cerebro Problemas: Estabilidad de ICA? La necesidad de post-procesamiento manual (entre 50 y 400 componentes por sesin) o Alta demanda computacional

Ingo Keck

ICA y Datos de EEG/ fMRI

24/1

Aplicacin fMRI o
Conclusin: o ICA funciona bien con datos de fMRI ICA es una clase de anlisis sin-modelo para fMRI a ICA presenta mejores resultados que GLM ICA puede ser una herramienta poderosa en la investigacin o del cerebro Problemas: Estabilidad de ICA? La necesidad de post-procesamiento manual (entre 50 y 400 componentes por sesin) o Alta demanda computacional

Ingo Keck

ICA y Datos de EEG/ fMRI

24/1

Aplicacin fMRI o
Conclusin: o ICA funciona bien con datos de fMRI ICA es una clase de anlisis sin-modelo para fMRI a ICA presenta mejores resultados que GLM ICA puede ser una herramienta poderosa en la investigacin o del cerebro Problemas: Estabilidad de ICA? La necesidad de post-procesamiento manual (entre 50 y 400 componentes por sesin) o Alta demanda computacional

Ingo Keck

ICA y Datos de EEG/ fMRI

25/1

Problema: Estabilidad de ICA

Muchos de los algoritmos ICA son estocsticos: a Resultados dependientes de las condiciones iniciales Hay que probar la estabilidad de las componentes Prueba de estabilidad: inicializacin aleatoria del algoritmo o Re-muestreo de los datos: Jackknife, Bootstrapping, . . . comparacin de ejecuciones mltiples del algoritmo ICA con o u diferentes opciones

Ingo Keck

ICA y Datos de EEG/ fMRI

26/1

Problema: Estabilidad de ICA

Muchos de los algoritmos ICA son estocsticos: a Resultados dependientes de las condiciones iniciales Hay que probar la estabilidad de las componentes Prueba de estabilidad: inicializacin aleatoria del algoritmo o Re-muestreo de los datos: Jackknife, Bootstrapping, . . . comparacin de ejecuciones mltiples del algoritmo ICA con o u diferentes opciones

Ingo Keck

ICA y Datos de EEG/ fMRI

26/1

fMRI: ICA con ruido

No se puede ignorar el ruido en fMRI: x(r ) = As(r ) + n(r )

Ingo Keck

ICA y Datos de EEG/ fMRI

27/1

fMRI: ICA con ruido

No se puede ignorar el ruido en fMRI: x(r ) = As(r ) + n(r )

Ingo Keck

ICA y Datos de EEG/ fMRI

27/1

Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2

l mite del umbral: 0 varianza

Ingo Keck

ICA y Datos de EEG/ fMRI

28/1

Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2

l mite del umbral: 1 varianza

Ingo Keck

ICA y Datos de EEG/ fMRI

28/1

Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2

l mite del umbral: 2 varianza

Ingo Keck

ICA y Datos de EEG/ fMRI

28/1

Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2

l mite del umbral: 3 varianza

Ingo Keck

ICA y Datos de EEG/ fMRI

28/1

Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2

l mite del umbral: 4 varianza

Ingo Keck

ICA y Datos de EEG/ fMRI

28/1

Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2

l mite del umbral: 5 varianza

Ingo Keck

ICA y Datos de EEG/ fMRI

28/1

Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2

l mite del umbral: 6 varianza

Ingo Keck

ICA y Datos de EEG/ fMRI

28/1

Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2

l mite del umbral: 7 varianza

Ingo Keck

ICA y Datos de EEG/ fMRI

28/1

Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2

l mite del umbral: 8 varianza

Ingo Keck

ICA y Datos de EEG/ fMRI

28/1

Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2

l mite del umbral: 9 varianza

Ingo Keck

ICA y Datos de EEG/ fMRI

28/1

Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2

l mite del umbral: 10 varianza

Ingo Keck

ICA y Datos de EEG/ fMRI

28/1

Ruido y correlacin o

Comparacin de similares y diferentes componentes utilizando la o correlacin o C (yi , yj ) = E ((yi myi )(yj myj )T )/(|yi ||yj |)
similar components
1 0.9 0.8 0.7 1 0.9 0.8 0.7

different components

correlation

0.6 0.5 0.4 0.3 0.2 0.1 0

correlation
0 1 2 3 4 5 6 7 8 9 10

0.6 0.5 0.4 0.3 0.2 0.1 0

10

variance threshold

variance threshold

Ingo Keck

ICA y Datos de EEG/ fMRI

29/1

Aplicacin fMRI o
Conclusin: o ICA funciona bien con datos de fMRI ICA es una clase de anlisis sin-modelo para fMRI a ICA presenta mejores resultados que GLM ICA puede ser una herramienta poderosa en la investigacin o del cerebro Problemas: Estabilidad de ICA La necesidad de post-procesamiento manual (entre 50 y 400 componentes por sesin) o Alta demanda computacional

Ingo Keck

ICA y Datos de EEG/ fMRI

30/1

Objetivos de fMRI

Cules son los objetivos de la investigacin del cerebro mediante a o fMRI? Encontrar un punto de actividad en el cerebro Encontrar una red de puntos de actividad en el cerebro
actividades en redes tienen evaluaciones temporales similares ICA en fMRI: las columnas de la matriz de mezcla son las evaluaciones temporales de los mapas de activacin espacial o

Clustering basado en la similitud de las columnas de la matriz de mezclas

Ingo Keck

ICA y Datos de EEG/ fMRI

31/1

Objetivos de fMRI

Cules son los objetivos de la investigacin del cerebro mediante a o fMRI? Encontrar un punto de actividad en el cerebro Encontrar una red de puntos de actividad en el cerebro
actividades en redes tienen evaluaciones temporales similares ICA en fMRI: las columnas de la matriz de mezcla son las evaluaciones temporales de los mapas de activacin espacial o

Clustering basado en la similitud de las columnas de la matriz de mezclas

Ingo Keck

ICA y Datos de EEG/ fMRI

31/1

Objetivos de fMRI

Cules son los objetivos de la investigacin del cerebro mediante a o fMRI? Encontrar un punto de actividad en el cerebro Encontrar una red de puntos de actividad en el cerebro
actividades en redes tienen evaluaciones temporales similares ICA en fMRI: las columnas de la matriz de mezcla son las evaluaciones temporales de los mapas de activacin espacial o

Clustering basado en la similitud de las columnas de la matriz de mezclas

Ingo Keck

ICA y Datos de EEG/ fMRI

31/1

Objetivos de fMRI

Cules son los objetivos de la investigacin del cerebro mediante a o fMRI? Encontrar un punto de actividad en el cerebro Encontrar una red de puntos de actividad en el cerebro
actividades en redes tienen evaluaciones temporales similares ICA en fMRI: las columnas de la matriz de mezcla son las evaluaciones temporales de los mapas de activacin espacial o

Clustering basado en la similitud de las columnas de la matriz de mezclas

Ingo Keck

ICA y Datos de EEG/ fMRI

31/1

Tipos de ICA

x(t) = As(t)

fuentes sl (t), l = 1, . . . , m mezclas xj (t), j = 1, . . . , n dif (FastGeo, sparse CA, ...) cil normal (muchos algoritmos) utiliza PCA para m = n

m > n: m = n: m < n:

ICA sobre-completo ICA completo ICA sub-completo

idea comn: siempre trata de obtener todas las fuentes originales u s(t)

Ingo Keck

ICA y Datos de EEG/ fMRI

32/1

Tipos de ICA

x(t) = As(t)

fuentes sl (t), l = 1, . . . , m mezclas xj (t), j = 1, . . . , n dif (FastGeo, sparse CA, ...) cil normal (muchos algoritmos) utiliza PCA para m = n

m > n: m = n: m < n:

ICA sobre-completo ICA completo ICA sub-completo

idea comn: siempre trata de obtener todas las fuentes originales u s(t)

Ingo Keck

ICA y Datos de EEG/ fMRI

32/1

Tipos de ICA

x(t) = As(t)

fuentes sl (t), l = 1, . . . , m mezclas xj (t), j = 1, . . . , n dif (FastGeo, sparse CA, ...) cil normal (muchos algoritmos) utiliza PCA para m = n

m > n: m = n: m < n:

ICA sobre-completo ICA completo ICA sub-completo

idea comn: siempre trata de obtener todas las fuentes originales u s(t)

Ingo Keck

ICA y Datos de EEG/ fMRI

32/1

ICA incompleto

Qu sucede si intencionalmente son extra e das menos fuentes m?

Ingo Keck

ICA y Datos de EEG/ fMRI

33/1

ICA incompleto

Qu sucede si intencionalmente son extra e das menos fuentes m? 3 mezclas y 3 fuentes

2 1.5 1 0.5 0 0.5 1 1.5 2 2 1 0 1 2 2 3 0 1 2 1 3

Ingo Keck

ICA y Datos de EEG/ fMRI

33/1

ICA incompleto

Qu sucede si intencionalmente son extra e das menos fuentes m? ICA completo

2 1.5 1 0.5 0 0.5 1 1.5 2 2 1 0 1 2 2 3 0 1 2 1 3

Ingo Keck

ICA y Datos de EEG/ fMRI

33/1

ICA incompleto

Qu sucede si intencionalmente son extra e das menos fuentes m? reduccin de dimensiones usando o Anlisis de Componentes Princia pales (PCA) las fuentes cercanas en el espacio de mezcla son agrupadas formando nuevos prototipos

2 1.5 1 0.5 0 0.5 1 1.5 2 2 1 0 1 2 2 3 0 1 2 1 3

Ingo Keck

ICA y Datos de EEG/ fMRI

33/1

ICA incompleto

Qu sucede si intencionalmente son extra e das menos fuentes m?

2

1.5

reduccin de dimensiones usando o pocas mezclas las fuentes cercanas en el espacio de mezcla son agrupadas formando nuevos prototipos
2 1 0 1 2 3

0.5

0.5

1.5 3

Ingo Keck

ICA y Datos de EEG/ fMRI

33/1

Juego de datos

64 puntos de fuentes en el grid forman patrones en las mezclas: x(t1 ) =

10 20 30

40

y (pixel)

50

60

70

80

90

100 10 20 30 40 50 60 70 80 90 100

x (pixel)

Ingo Keck

ICA y Datos de EEG/ fMRI

34/1

Juego de datos

64 puntos de fuentes en el grid forman patrones en las mezclas: x(t2 ) =

10 20 30

40

y (pixel)

50

60

70

80

90

100 10 20 30 40 50 60 70 80 90 100

x (pixel)

Ingo Keck

ICA y Datos de EEG/ fMRI

34/1

Juego de datos

64 puntos de fuentes en el grid forman patrones en las mezclas: x(t3 ) =

10 20 30

40

y (pixel)

50

60

70

80

90

100 10 20 30 40 50 60 70 80 90 100

x (pixel)

Ingo Keck

ICA y Datos de EEG/ fMRI

34/1

Juego de datos

64 puntos de fuentes en el grid forman patrones en las mezclas: x(t4 ) =

10 20 30

40

y (pixel)

50

60

70

80

90

100 10 20 30 40 50 60 70 80 90 100

x (pixel)

Ingo Keck

ICA y Datos de EEG/ fMRI

34/1

Juego de datos

64 puntos de fuentes en el grid forman patrones en las mezclas: x(t5 ) =

10 20 30

40

y (pixel)

50

60

70

80

90

100 10 20 30 40 50 60 70 80 90 100

x (pixel)

Ingo Keck

ICA y Datos de EEG/ fMRI

34/1

Juego de datos

64 puntos de fuentes en el grid forman patrones en las mezclas: x(t6 ) =

10 20 30

40

y (pixel)

50

60

70

80

90

100 10 20 30 40 50 60 70 80 90 100

x (pixel)

Ingo Keck

ICA y Datos de EEG/ fMRI

34/1

Juego de datos

64 puntos de fuentes en el grid forman patrones en las mezclas: x(t7 ) =

10 20 30

40

y (pixel)

50

60

70

80

90

100 10 20 30 40 50 60 70 80 90 100

x (pixel)

Ingo Keck

ICA y Datos de EEG/ fMRI

34/1

Juego de datos

64 puntos de fuentes en el grid forman patrones en las mezclas: x(t8 ) =

10 20 30

40

y (pixel)

50

60

70

80

90

100 10 20 30 40 50 60 70 80 90 100

x (pixel)

Ingo Keck

ICA y Datos de EEG/ fMRI

34/1

Juego de datos

64 puntos de fuentes en el grid forman patrones en las mezclas: x(t9 ) =

10 20 30

40

y (pixel)

50

60

70

80

90

100 10 20 30 40 50 60 70 80 90 100

x (pixel)

Ingo Keck

ICA y Datos de EEG/ fMRI

34/1

Juego de datos

64 puntos de fuentes en el grid forman patrones en las mezclas: x(t10 ) =

10 20 30

40

y (pixel)

50

60

70

80

90

100 10 20 30 40 50 60 70 80 90 100

x (pixel)

Ingo Keck

ICA y Datos de EEG/ fMRI

34/1

ICA incompleto con PCA supera k-means clustering

Agrupamiento basado en las columnas de la matriz de mezcla usando PCA:
7 6 5 wrong circles wrong circles 4 3 2 1 0 0 10 20 30 40 clusters 50 60 70 8 7 6 5 4 3 2 1 0 0 10 20 30 40 components 50 60 70

k-means: no puede agrupar las inICA con PCA: agrupa fuentes correctas que forman los correctamente de 3 a 30 grupos A y C. componentes.

Ingo Keck

ICA y Datos de EEG/ fMRI

35/1

ICA incompleto dejando datos por fuera

Agrupamiento dejando afuera mezclas:
8 7 6

wrong circles

5 4 3 2 1 0 0 10 20 30 40 50 60 70

components

Error! No. de fuentes > No. de mezclas (sobre-completo) es necesario realizar un denoising con PCA

Ingo Keck

ICA y Datos de EEG/ fMRI

36/1

Agrupando Partes de Objetos

ICA incompleto; agrupamiento basado en la presencia de las fuentes en las mezclas en una secuencia de imgenes son agrupadas las partes de un a objeto que aparecen en las mismas posiciones

por ejemplo comenzar con los ltros para los bordes verticales
10 50 8 100 150 200 250 300 350 400 450 100 200 300 400 500 600 6 4 2 0 2 4 6 8 450 100 200 300 400 500 600 100 6 150 200 250 300 350 400 4 2 0 2 4 6 8 50 8 10

Ingo Keck

ICA y Datos de EEG/ fMRI

37/1

Agrupando Partes de Objetos

uso de inICA en los bordes ltrados de la secuencia:

50 100

2 150 200 250 2 300 350 400 6 450 100 200 300 400 500 600

Ingo Keck

ICA y Datos de EEG/ fMRI

38/1

inICA aplicado a fMRI

ICA incompleto: agrupamientos basados en semejanzas de las columnas de la matriz de mezcla en fMRI: las columnas de la matriz de mezcla son los cursos de tiempo de los mapas espaciales de la activacin o las actividades en las redes tienen cursos similares de tiempo inICA podr permitir encontrar redes en el cerebro muy a fcilmente. a

Ingo Keck

ICA y Datos de EEG/ fMRI

39/1

inICA aplicado a fMRI

ICA incompleto: agrupamientos basados en semejanzas de las columnas de la matriz de mezcla en fMRI: las columnas de la matriz de mezcla son los cursos de tiempo de los mapas espaciales de la activacin o las actividades en las redes tienen cursos similares de tiempo inICA podr permitir encontrar redes en el cerebro muy a fcilmente. a

Ingo Keck

ICA y Datos de EEG/ fMRI

39/1

inICA aplicado a fMRI

400 IC

ICA

200 IC

100 IC

Idea: ICA incompleto de bajas dimensiones para encontrar redes interesantes de la actividad cerebral ICA (completo) de altas dimensiones para encontrar todas las componentes que crean estas redes

Ingo Keck

ICA y Datos de EEG/ fMRI

40/1

ICA incompleto: Diagrama de ujo

fMRI data set

ICA1 without dimension reduction

ICA2 with dimension reduction

search for interesting components

compare components with ICA1

clusters of maps from ICA1

Ingo Keck

ICA y Datos de EEG/ fMRI

41/1

Paso 1: ICA incompleto

Ejemplo WCST Reduccin a 10 dimensiones usando PCA: o

Ingo Keck

ICA y Datos de EEG/ fMRI

42/1

Paso 1: ICA incompleto

Ejemplo WCST Reduccin a 20 dimensiones usando PCA: o

Ingo Keck

ICA y Datos de EEG/ fMRI

42/1

Paso 1: ICA incompleto

Ejemplo WCST Reduccin a 40 dimensiones usando PCA: o

Ingo Keck

ICA y Datos de EEG/ fMRI

42/1

Paso 1: ICA incompleto

Ejemplo WCST Reduccin a 50 dimensiones usando PCA: o

Ingo Keck

ICA y Datos de EEG/ fMRI

42/1

Paso 2: ICA completo

Ejemplo WCST Bsqueda automatizada en el resultado de un ICA completo para u las componentes que crean la red demostrada:

Ingo Keck

ICA y Datos de EEG/ fMRI

43/1

ICA completo e incompleto

Usando el resultado del ICA incompleto los resultados del ICA completo se pueden evaluar automticamente a El curso de tiempo de una IC interesante en inICA, corresponde a la suma de los cursos de tiempo de las ICs en ICA completo
3 2 1 activation (a.u.) 0 1 2 3 4 0 100 200 scans 300 400 500

Ingo Keck

ICA y Datos de EEG/ fMRI

44/1

Aplicacin fMRI o
Conclusion: ICA trabaja bien en datos fMRI ICA es una clase de anlisis sin modelo para fMRI a ICA puede superar GLM ICA puede ser una herramienta poderosa en la investigacin o del cerebro Problemas: Estabilidad ICA La necesidad de post-procesamiento manual (entre 100 y 400 componentes por sesin) o Alta demanda computacional

Ingo Keck

ICA y Datos de EEG/ fMRI

45/1

inICA Paralelo

Hacindolo paralelamente: e el ujo del trabajo de inICA contiene muchos mdulos o independientes la prueba de conabilidad de diversos funcionamientos de inICA es independiente la prueba de conabilidad en s mismo es generalmente independiente La paralelizacin es directa y eciente. o

Ingo Keck

ICA y Datos de EEG/ fMRI

46/1

inICA Paralelo

fMRI Data Set

1-dim ICA

2-dim ICA

...

n-dim ICA

parallel

Ingo Keck

ICA y Datos de EEG/ fMRI

47/1

inICA Paralelo

Hacindolo paralelamente: e el ujo del trabajo de inICA contiene muchos mdulos o independientes la prueba de conabilidad de diversos funcionamientos de inICA es independiente la prueba de conabilidad en s misma es generalmente independiente La paralelizacin es directa y eciente. o

Ingo Keck

ICA y Datos de EEG/ fMRI

48/1

inICA Paralelo

fMRI Data Set

1-dim ICA

2-dim ICA

...

n-dim ICA

parallel

S-Test

S-Test

S-Test

ICA

ICA

ICA

ICA

...

ICA

ICA

parallel

ICA

ICA

ICA

ICA

ICA

ICA

Ingo Keck

ICA y Datos de EEG/ fMRI

49/1

inICA Paralelo

Hacindolo paralelamente: e el ujo del trabajo de inICA contiene muchos mdulos o independientes la prueba de conabilidad de diversos funcionamientos de inICA es independiente la prueba de conabilidad en s mismo es generalmente independiente La paralelizacin es directa y eciente. o

Ingo Keck

ICA y Datos de EEG/ fMRI

50/1

inICA Paralelo y Pruebas de Estabilidad

fMRI Data Set

1-dim ICA

2-dim ICA

...

n-dim ICA

parallel

S-Test

S-Test

S-Test

ICA

ICA

ICA

ICA

...

ICA

ICA

parallel

ICA

ICA

ICA

ICA

ICA

ICA

Ingo Keck

ICA y Datos de EEG/ fMRI

51/1

inICA Paralelo

Hacindolo paralelamente: e el ujo del trabajo de inICA contiene muchos mdulos o independientes la prueba de conabilidad de diversos funcionamientos de inICA es independiente la prueba de conabilidad en s mismo es generalmente independiente La paralelizacin es directa y eciente. o

Ingo Keck

ICA y Datos de EEG/ fMRI

52/1

inICA Paralelo

Hacindolo paralelamente: e el ujo del trabajo de inICA contiene muchos mdulos o independientes la prueba de conabilidad de diversos funcionamientos de inICA es independiente la prueba de conabilidad en s mismo es generalmente independiente La paralelizacin es directa y eciente. o

Ingo Keck

ICA y Datos de EEG/ fMRI

52/1

Implementacin o
Actualmente existen muchos estndares en la programacin a o paralela, ej. MPI (Message Passing Interface), PVM (Parallel Virtual Maching): optimizado para (muchos) mensajes cortos inadecuado para el transporte de grandes datos necesita instalaciones especiales de software fMRI: pocos mensajes; pero grandes sistemas de datos Idea: utilizar el sistema de archivos de redes para el transporte de datos fMRI utilizar el sistema de archivos de redes para los mensajes

Ingo Keck

ICA y Datos de EEG/ fMRI

53/1

Implementacin o
Actualmente existen muchos estndares en la programacin a o paralela, ej. MPI (Message Passing Interface), PVM (Parallel Virtual Maching): optimizado para (muchos) mensajes cortos inadecuado para el transporte de grandes datos necesita instalaciones especiales de software fMRI: pocos mensajes; pero grandes sistemas de datos Idea: utilizar el sistema de archivos de redes para el transporte de datos fMRI utilizar el sistema de archivos de redes para los mensajes

Ingo Keck

ICA y Datos de EEG/ fMRI

53/1

Implementacin o
Actualmente existen muchos estndares en la programacin a o paralela, ej. MPI (Message Passing Interface), PVM (Parallel Virtual Maching): optimizado para (muchos) mensajes cortos inadecuado para el transporte de grandes datos necesita instalaciones especiales de software fMRI: pocos mensajes; pero grandes sistemas de datos Idea: utilizar el sistema de archivos de redes para el transporte de datos fMRI utilizar el sistema de archivos de redes para los mensajes

Ingo Keck

ICA y Datos de EEG/ fMRI

53/1

Implementacin o

server process

common directory intelligent client intelligent client

intelligent client

Ingo Keck

ICA y Datos de EEG/ fMRI

54/1

Implementacin o

Proceso del servidor: creacin de trabajos (Matlab/Octave scripts) o anlisis de resultados a interfaz de usuario Proceso del cliente: espera para los trabajos ejecuta trabajos

Ingo Keck

ICA y Datos de EEG/ fMRI

55/1

Resultados: Visualizacin o

Importante para el investigador: inuencia de la componente en el sistema de datos clasicacin basada en la inuencia o relacin con otras componentes o demostrar las conexiones conabilidad de la componente demostrar la conabilidad Grco de salida como archivo SVG a

Ingo Keck

ICA y Datos de EEG/ fMRI

56/1

Resultados: Visualizacin o

Importante para el investigador: inuencia de la componente en el sistema de datos clasicacin basada en la inuencia o relacin con otras componentes o demostrar las conexiones conabilidad de la componente demostrar la conabilidad Grco de salida como archivo SVG a

Ingo Keck

ICA y Datos de EEG/ fMRI

56/1

Resultados: Visualizacin o

Importante para el investigador: inuencia de la componente en el sistema de datos clasicacin basada en la inuencia o relacin con otras componentes o demostrar las conexiones conabilidad de la componente demostrar la conabilidad Grco de salida como archivo SVG a

Ingo Keck

ICA y Datos de EEG/ fMRI

56/1

Resultados: Visualizacin o

Importante para el investigador: inuencia de la componente en el sistema de datos clasicacin basada en la inuencia o relacin con otras componentes o demostrar las conexiones conabilidad de la componente demostrar la conabilidad Grco de salida como archivo SVG a

Ingo Keck

ICA y Datos de EEG/ fMRI

56/1

Ejemplo

Ejemplo de WCST el color da la fuerza de la conexin y la conabilidad o permite investigar los cambios en las componentes

Ingo Keck

ICA y Datos de EEG/ fMRI

57/1

Ejemplo

Ingo Keck

ICA y Datos de EEG/ fMRI

58/1

Conclusiones y Perspectivas

ICA funciona bien con datos fMRI ICA es una clase de anlisis sin modelo para fMRI a ICA incompleto puede ser utilizado como mtodo de e agrupamiento la paralelizacin es directa o permite el anlisis exploratorio de los datos a ICA puede ser una herramienta poderosa para futuras investigaciones del cerebro

Ingo Keck

ICA y Datos de EEG/ fMRI

59/1

Conclusiones y Perspectivas

ICA funciona bien con datos fMRI ICA es una clase de anlisis sin modelo para fMRI a ICA incompleto puede ser utilizado como mtodo de e agrupamiento la paralelizacin es directa o permite el anlisis exploratorio de los datos a ICA puede ser una herramienta poderosa para futuras investigaciones del cerebro

Ingo Keck

ICA y Datos de EEG/ fMRI

59/1

Conclusiones y Perspectivas

ICA funciona bien con datos fMRI ICA es una clase de anlisis sin modelo para fMRI a ICA incompleto puede ser utilizado como mtodo de e agrupamiento la paralelizacin es directa o permite el anlisis exploratorio de los datos a ICA puede ser una herramienta poderosa para futuras investigaciones del cerebro

Ingo Keck

ICA y Datos de EEG/ fMRI

59/1

Conclusiones y Perspectivas

ICA funciona bien con datos fMRI ICA es una clase de anlisis sin modelo para fMRI a ICA incompleto puede ser utilizado como mtodo de e agrupamiento la paralelizacin es directa o permite el anlisis exploratorio de los datos a ICA puede ser una herramienta poderosa para futuras investigaciones del cerebro

Ingo Keck

ICA y Datos de EEG/ fMRI

59/1

Conclusiones y Perspectivas

ICA funciona bien con datos fMRI ICA es una clase de anlisis sin modelo para fMRI a ICA incompleto puede ser utilizado como mtodo de e agrupamiento la paralelizacin es directa o permite el anlisis exploratorio de los datos a ICA puede ser una herramienta poderosa para futuras investigaciones del cerebro

Ingo Keck

ICA y Datos de EEG/ fMRI

59/1

Conclusiones y Perspectivas

ICA funciona bien con datos fMRI ICA es una clase de anlisis sin modelo para fMRI a ICA incompleto puede ser utilizado como mtodo de e agrupamiento la paralelizacin es directa o permite el anlisis exploratorio de los datos a ICA puede ser una herramienta poderosa para futuras investigaciones del cerebro

Ingo Keck

ICA y Datos de EEG/ fMRI

59/1

Gracias

Gracias por su atencin. o

http://ingokeck.de/es/

Ingo Keck

ICA y Datos de EEG/ fMRI

60/1