Objective Recognition of Tinnitus Location Using Electroencephalography Connectivity Features

Purpose: Tinnitus is a common but obscure auditory disease to be studied. This study will determine whether the connectivity features in electroencephalography (EEG) signals can be used as the biomarkers for an efficient and fast diagnosis method for chronic tinnitus.Methods: In this study, the resting-state EEG signals of tinnitus patients with different tinnitus locations were recorded. Four connectivity features [including the Phase-locking value (PLV), Phase lag index (PLI), Pearson correlation coefficient (PCC), and Transfer entropy (TE)] and two time-frequency domain features in the EEG signals were extracted, and four machine learning algorithms, included two support vector machine models (SVM), a multi-layer perception network (MLP) and a convolutional neural network (CNN), were used based on the selected features to classify different possible tinnitus sources.Results: Classification accuracy was highest when the SVM algorithm or the MLP algorithm was applied to the PCC feature sets, achieving final average classification accuracies of 99.42 or 99.1%, respectively. And based on the PLV feature, the classification result was also particularly good. And MLP ran the fastest, with an average computing time of only 4.2 s, which was more suitable than other methods when a real-time diagnosis was required.Conclusion: Connectivity features of the resting-state EEG signals could characterize the differentiation of tinnitus location. The connectivity features (PCC and PLV) were more suitable as the biomarkers for the objective diagnosing of tinnitus. And the results were helpful for clinicians in the initial diagnosis of tinnitus.

Electroencephalogram Source Imaging and Brain Network Based Natural Grasps Decoding

Studying the decoding process of complex grasping movement is of great significance to the field of motor rehabilitation. This study aims to decode five natural reach-and-grasp types using sources of movement-related cortical potential (MRCP) and investigate their difference in cortical signal characteristics and network structures. Electroencephalogram signals were gathered from 40 channels of eight healthy subjects. In an audio cue-based experiment, subjects were instructed to keep no-movement condition or perform five natural reach-and-grasp movements: palmar, pinch, push, twist and plug. We projected MRCP into source space and used average source amplitudes in 24 regions of interest as classification features. Besides, functional connectivity was calculated using phase locking value. Six-class classification results showed that a similar grand average peak performance of 49.35% can be achieved using source features, with only two-thirds of the number of channel features. Besides, source imaging maps and brain networks presented different patterns between each condition. Grasping pattern analysis indicated that the modules in the execution stage focus more on internal communication than in the planning stage. The former stage was related to the parietal lobe, whereas the latter was associated with the frontal lobe. This study demonstrates the superiority and effectiveness of source imaging technology and reveals the spread mechanism and network structure of five natural reach-and-grasp movements. We believe that our work will contribute to the understanding of the generation mechanism of grasping movement and promote a natural and intuitive control of brain–computer interface.

Motor Intention Decoding from the Upper Limb by Graph Convolutional Network Based on Functional Connectivity

Decoding brain intention from noninvasively measured neural signals has recently been a hot topic in brain-computer interface (BCI). The motor commands about the movements of fine parts can increase the degrees of freedom under control and be applied to external equipment without stimulus. In the decoding process, the classifier is one of the key factors, and the graph information of the EEG was ignored by most researchers. In this paper, a graph convolutional network (GCN) based on functional connectivity was proposed to decode the motor intention of four fine parts movements (shoulder, elbow, wrist, hand). First, event-related desynchronization was analyzed to reveal the differences between the four classes. Second, functional connectivity was constructed by using synchronization likelihood (SL), phase-locking value (PLV), H index (H), mutual information (MI), and weighted phase-lag index (WPLI) to acquire the electrode pairs with a difference. Subsequently, a GCN and convolutional neural networks (CNN) were performed based on functional topological structures and time points, respectively. The results demonstrated that the proposed method achieved a decoding accuracy of up to 92.81% in the four-class task. Besides, the combination of GCN and functional connectivity can promote the development of BCI.

Methodological considerations in analyzing synchronization of resting-state brain networks with the intrinsic electrical rhythm of the stomach: Advantages of weighted phase-locking

Purpose: To evaluate the amplitude-weighted phase-locking value (awPLV) as a measure of synchronization of brain resting-state networks (RSNs) with the gastric basal electrical rhythm (BER). Methods: A recent study combined rsfMRI with concurrent cutaneous electrogastrography (EGG), in a highly-sampled individual who underwent 22 scanning sessions (two 15-minute runs per session) at 3.0 Tesla. After excluding three sessions due to weak EGG signals, 9.5 hours of data remained, from which 18 RSNs were estimated using spatial independent component analysis. Previously, using the phase-locking value (PLV), three of the 18 RSNs were determined to be synchronized with the BER. However, RSN power fluctuations in the gastric frequency band could reduce sensitivity of PLV. Accordingly, the current reanalysis used awPLV to unweight contributions from low power epochs. Mismatched EGG and rsfMRI data (from different days) served as surrogate data; for each RSN, empirical awPLV was compared with chance-level awPLV using a Wilcoxon rank test. P-values were adjusted using with a false discovery rate of 0.05. Additionally, simulations were performed to compare PLV and awPLV error rates under settings with a known ground truth. Results: Simulations show high false-negative rates when using PLV, but not awPLV. Reanalysis of the highly-sampled individual data using awPLV indicates that 11 of the 18 RSNs were synchronized with the BER. Conclusion: Simulations indicate that awPLV is a more sensitive measure of stomach/brain synchronization than PLV. Reanalysis results imply communication between the enteric nervous system and brain circuits not typically considered responsive to gastric state or function.

Neural decoding schemes for BCIs in Neuroergonomics

Η διατριβή αυτή διαπραγματεύεται δύο κατηγορίες Διεπαφών Εγκεφάλου-Υπολογιστή (ΔΕΥ) που βασίζονται στο ηλεκτροεγκεφαλογράφημα και βρίσκουν εφαρμογή στο πεδίο της Νευροεργονομίας. Η πρώτη κατηγορία αφορά συστήματα με δυνατότητα ανίχνευσης εσφαλμένων αποκρίσεων και αυτοδιόρθωσης ενώ η δεύτερη διαπραγματεύεται συστήματα που σχετίζονται με την παρακολούθηση της ανθρώπινης συμπεριφοράς κατά τη διάρκεια οδήγησης ενός οχήματος.Σχετικά με τις ΔΕΥ που ενσωματώνουν λειτουργίες αυτοδιόρθωσης, αρχικά εξετάζεται η δυνατότητα για εκμετάλλευση της αυθόρμητης απόκρισης του ανθρώπινου εγκεφάλου κατά τη διαδικασία παρατήρησης ενός λάθους. Η απόκριση αυτή αναφέρεται συχνά με τον αγγλικό όρο Error-Related Potential (ErrP). Προκειμένου να αυξηθεί η ικανότητα του συστήματος να αναγνωρίζει αυτές τις αποκρίσεις, παρουσιάζεται μια μεθοδολογία για τον σχεδιασμό χωρικών φίλτρων η οποία βασίζεται στο κριτήριο διαχωρισιμότητας του Fisher και είναι κατάλληλη για την ανάλυση προκλητών δυναμικών. Επιπλέον, αποδεικνύεται ότι τα προτεινόμενα χωρικά φίλτρα αποτελούν μια προέκταση του κριτηρίου μεγιστοποίησης του λόγου σήματος προς θόρυβο. Τέλος, προκειμένου να διαπιστωθεί η αποδοτικότητα ενός συστήματος που ενσωματώνει δυνατότητες αυτοδιόρθωσης εισάγεται μια καινούρια μετρική αξιολόγησης που αποτελεί επέκταση της Utility Metric.Στο δεύτερο σκέλος, που εστιάζουμε στις ΔΕΥ για την παρακολούθηση της ανθρώπινης συμπεριφοράς κατά τη διάρκεια οδήγησης ενός οχήματος, ακολουθείται μια διαφορετική στρατηγική βασισμένη σε τεχνικές μη Ευκλείδειας γεωμετρίας. Καθώς οι πίνακες χωρικής συνδιακύμανσης αποτελούν υπολογιστικά αποδοτικούς εκτιμητές της λειτουργικής συνδεσιμότητας του ανθρώπινου εγκεφάλου ενώ ταυτόχρονα ανήκουν στην πολλαπλότητα των συμμετρικών και θετικά (ημι)ορισμένων πινάκων οδηγούμαστε σε νέες και πιο ακριβείς τεχνικές αποκωδικοποίησης της εγκεφαλικής δραστηριότητας κάνοντας χρήση εργαλείων της Ριμάννειας γεωμετρίας. Ένα σημαντικό πρόβλημα που διέπει τους πίνακες χωρικής συνδιακύμασης αφορά την υψηλή διάσταση των δεδομένων σε αυτή τη μορφή αναπαράστασης. Δεδομένου ότι η διάσταση των δεδομένων είναι τετραγωνική ως προς το πλήθος των διαθέσιμων ηλεκτροδίων γίνεται αντιληπτό ότι το πρόβλημα αυτό γίνεται ιδιαίτερα έντονο σε καταγραφές με μεγάλο πλήθος αισθητήρων ή όταν πρόκειται για εφαρμογές που απαιτείται να εκτελούνται σε πραγματικό χρόνο. Συνεπώς, παρουσιάζεται μια καινούρια μεθοδολογία, βασισμένη στη Ριμάννεια γεωμετρία, για τη μείωση της διάστασης των πινάκων χωρικής συνδιακύμανσης που αυξάνει τη διαχωρισιμότητα των δεδομένων ενώ ταυτόχρονα διατηρεί τη νευροεπιστημονική ερμηνεία των αποτελεσμάτων. Η αξιοπιστία της μεθοδολογίας αυτής διαπιστώνεται σε δύο δημόσια σύνολα δεδομένων του τομέα των ΔΕΥ. Ιδιαίτερη έμφαση δίνεται στη βάση δεδομένων που αφορά την πρόβλεψη φρεναρίσματος αποκλειστικά από τη νευρωνική απόκριση κατά τη διάρκεια προσομοίωσης οδήγησης.Παρόλο που οι πίνακες χωρικής συνδιακύμανσης χαρακτηρίζονται από υψηλή υπολογιστική αποδοτικότητα, η περιγραφική τους ικανότητα σε ό,τι αφορά τη δικτύωση του ανθρώπινου εγκεφάλου είναι περιορισμένη. Συνεπώς, εισάγεται μια νέα αναπαράσταση της λειτουργικής δικτύωσης του εγκεφάλου που κληρονομεί όλα τα πλεονεκτήματα των αναπαραστάσεων που βασίζονται στον συγχρονισμό φάσης. Ταυτόχρονα, η νέα αυτή αναπαράσταση είναι σε θέση να εκφράσει τόσο την ισχύ του συγχρονισμού όσο και τη χρονοκαθυστέρηση ανάμεσα σε δύο ταλαντώσεις που προέρχονται από διακριτές περιοχές του εγκεφάλου. Η προτεινόμενη αναπαράσταση αποτελεί μια επέκταση του κλασικού περιγραφέα "συγχρονισμού φάσης" (Phase Locking Value; PLV) ενώ ταυτόχρονα ανήκει στην πολλαπλότητα των Ερμιτιανών θετικά (ημι)ορισμένων πινάκων. Η ιδιότητa αυτή επιτρέπει χειρισμούς με εργαλεία δανεισμένα από τον τομέα της Ριμάννειας γεωμετρίας. Η εγκυρότητα αυτής της αναπαράστασης διαπιστώνεται σε δεδομένα πολυκαναλικού ηλεκτροεγκεφαλογραφήματος με στόχο τον διαχωρισμό ενεργητικής και παθητικής αντίληψης (δηλαδή αν οι χρήστες έπρεπε να αντιδράσουν στο ερέθισμα ή όχι) κατά τη διάρκεια διεκπεραίωσης μιας άσκησης που σχετίζεται με την οδήγηση.Τέλος, διερευνάται η πιθανότητα χρήσης Γεωμετρικών Τεχνικών Βαθιάς Μάθησης με σκοπό την αποκωδικοποίηση νευρωνικών αποκρίσεων στο πλαίσιο των ΔΕΥ. Καθώς η διαθεσιμότητα νευροαπεικονιστικών δεδομένων είναι πολύ περιορισμένη, προτείνεται μια μέθοδος επαύξησης δεδομένων κατάλληλα διαμορφωμένη να εκμεταλλευτεί τις ιδιαιτερότητες που τα διέπουν. Το βασικό πλεονέκτημα αυτής της μεθόδου έγκειται στο γεγονός ότι εκμεταλλεύεται τόσο τα χωρικά όσο και τα χρονικά χαρακτηριστικά του ηλεκτροεγκεφαλογραφήματος τα οποία αποτυπώνονται μέσω ενός αραιού γράφου που λαμβάνει υπόψιν τόσο τη χωρική θέση των ηλεκτροδίων όσο και τη χρονική αλληλουχία των δειγμάτων. Στη συνέχεια, τα σήματα που ορίζονται βάσει του αραιού αυτού γράφου αποσυντίθενται κάνοντας χρήση της "γραφοθεωρητικής εμπειρικής αποσύνθεσης τρόπου" (Graph Empirical Mode Decomposition; GEMD) με σκοπό να οδηγήσουν σε μια νεοεισαχθείσα μέθοδο για επαύξηση των δεδομένων, εστιασμένη σε συνελικτικά νευρωνικά δίκτυα για την κατηγοριοποίηση γραφοσημάτων. Η αποδοτικότητα της μεθόδου εξετάζεται σε δημοσίως διαθέσιμα νευροαπεικονιστικά σύνολα δεδομένων που σχετίζονται με την παρακολούθηση της ανθρώπινης εγκεφαλικής δραστηριότητας κατά τη διάρκεια της οδήγησης.

A Novel Technique to Detect False Data Injection Attacks on Phasor Measurement Units

The power industry is in the process of grid modernization with the introduction of phasor measurement units (PMUs), advanced metering infrastructure (AMI), and other technologies. Although these technologies enable more reliable and efficient operation, the risk of cyber threats has increased, as evidenced by the recent blackouts in Ukraine and New York. One of these threats is false data injection attacks (FDIAs). Most of the FDIA literature focuses on the vulnerability of DC estimators and AC estimators to such attacks. This paper investigates FDIAs for PMU-based state estimation, where the PMUs are comparable. Several states can be manipulated by compromising one PMU through the channels of that PMU. A Phase Locking Value (PLV) technique was developed to detect FDIAs. The proposed approach is tested on the IEEE 14-bus and the IEEE 30-bus test systems under different scenarios using a Monte Carlo simulation where the PLV demonstrated an efficient performance.

eABR THR Estimation Using High-Rate Multi-Pulse Stimulation in Cochlear Implant Users

We estimated the electrically-evoked auditory brainstem response thresholds (eABR THRs) in response to multi-pulses with high burst rate of 10,000 pulses-per-second (pps). Growth functions of wave eV amplitudes, root mean square (RMS) values, peak of phase-locking value (PLV), and the lowest valid data point (LVDP) were calculated in 1-, 2-, 4-, 8-, and 16-pulses conditions. The growth functions were then fitted and extrapolated with linear and exponential functions to find eABR THRs. The estimated THRs were compared to psychophysical THRs determined for multi-pulse conditions as well as to the clinical THRs measured behaviorally at the rate of 1,000 pps. The growth functions of features showed shallower growth slopes when the number of pulses increased. eABR THRs estimated in 4-, 8-, and 16-pulses conditions were closer to the clinical THRs, when compared to 1- and 2-pulses conditions. However, the smallest difference between estimated eABR THRs and clinical THRs was not always achieved from the same number of pulses. The smallest absolute difference of 30.3 μA was found for the linear fittings on growth functions of eABR RMS values in 4-pulses condition. Pearson’s correlation coefficients (PCCs) between eABR THRs and psychophysical THRs were significant and relatively large in all but 16-pulses conditions. The PCCs between eABR THRs and clinical THRs, however, were smaller and in less cases significant. Results of this study showed that eABRs to multi-pulse stimulation could, to some extent, represent clinical stimulation paradigms, and thus in comparison to single pulses, could estimate clinical THRs with smaller errors.

Classification of Autism Spectrum Disorder from EEG-based Functional Brain Connectivity Analysis

Autism is a psychiatric condition that is typically diagnosed with behavioral assessment methods. Recent years have seen a rise in the number of children with autism. Since this could have serious health and socioeconomic consequences, it is imperative to investigate how to develop strategies for an early diagnosis that might pave the way to an adequate intervention. In this study, the phase-based functional brain connectivity derived from electroencephalogram (EEG) in a machine learning framework was used to classify the children with autism and typical children in an experimentally obtained data set of 12 autism spectrum disorder (ASD) and 12 typical children. Specifically, the functional brain connectivity networks have quantitatively been characterized by graph-theoretic parameters computed from three proposed approaches based on a standard phase-locking value, which were used as the features in a machine learning environment. Our study was successfully classified between two groups with approximately 95.8% accuracy, 100% sensitivity, and 92% specificity through the trial-averaged phase-locking value (PLV) approach and cubic support vector machine (SVM). This work has also shown that significant changes in functional brain connectivity in ASD children have been revealed at theta band using the aggregated graph-theoretic features. Therefore, the findings from this study offer insight into the potential use of functional brain connectivity as a tool for classifying ASD children.