รู้จักกับสัญญาณคลื่นแม่เหล็กไฟฟ้าจากสมอง

 
รู้จักกับสัญญาณคลื่นแม่เหล็กไฟฟ้าจากสมอง
โดย ดร. ตุลยา ลิมปิติ
สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง
บทนำ
เทคโนโลยีที่ล้ำหน้าในปัจจุบัน ก่อให้เกิดการคิดค้นนวัตกรรมใหม่ๆ ที่ถูกนำมาใช้ในการเพิ่มความสะดวกสบายให้กับมนุษย์เรา โดยหนึ่งในงานวิจัยซึ่งเป็นที่สนใจของทั้งนักวิจัยและภาคอุตสาหกรรมดลอดมาคืองานวิจัยด้านปัญญาประดิษฐ์ (artificial intelligence) อันมีเป้าหมายในการสร้างสมองกลที่สามารถคิด ตอบสนอง และเลียนแบบพฤติกรรมมนุษย์ได้ด้วยตัวเอง

การเลียนแบบการทำงานของสมองเป็นหนึ่งในปัญหาแบบสหวิทยาการที่ท้าทายอย่างยิ่งเนื่องมาจากสมองมนุษย์เป็นระบบสื่อสารที่มีความซับซ้อนมากที่สุดในโลกกุญแจที่สำคัญที่สุด ก็คือการไขปัญหาที่ว่าสมองใช้กลไกใดในการประมวลผลจากข้อมูลหรือสิ่งเร้าภายนอกเพื่อเปลี่ยนให้เป็นพฤติกรรม (behavior) ความทรงจำ (memory) การรับรู้ (perception) การรู้จำ (cognition) หรือการตัดสินใจ  (decision making) ในช่วงยี่สิบปีที่ผ่านมามีการศึกษากลไกการทำงานของสมองเหล่านี้โดยใช้เทคนิคการวิเคราะห์การทำงานของสมองหลากหลายประเภท บางเทคนิคใช้ข้อมูลการไหลเวียนของเลือดหรือปริมาณออกซิเจนในเส้นเลือดในสมองเป็นตัวบ่งชี้ว่าส่วนใดของสมองมีการทำงาน เช่น PET (position emission tomography)  และ ฟังก์ชันนอลเอ็มอาร์ไอ (functional magnetic resonance imaging - fMRI) วิธีการทางเมทาบอลิกเหล่านี้มีข้อดีตรงที่สามารถสร้างภาพกิจกรรมภายในสมอง (brain activity) ที่มีความละเอียดสูงแต่ข้อเสียคือสามารถวัดการเปลี่ยนแปลงเชิงเวลาได้ไม่ละเอียดนักนอกจากนี้ ความสัมพันธ์ของปัจจัยทางเมทาบอลิกหรือกระบวนการหมุนเวียนของเลือดกับคลื่นสมองค่อนข้างซับซ้อนทำให้การตีความจากข้อมูลที่วัดได้ยังไม่ชัดเจน อันที่จริงแล้ว เมื่อเราพูดถึง คลื่นสมองที่ถูกต้องเราควรจะหมายถึง คลื่นแม่เหล็กไฟฟ้าที่กำเนิดมาจากการทำงานของสมอง เนื่องจากภาวะการทำงานของสมองเป็นการทำงานเชิงไฟฟ้าโดยแหล่งกำเนิดหลักของสัญญาณคลื่นสมองมาจากการทำงานของเซลล์ประสาททรงปิรามิด  (pyramidal cell) ที่อยู่บนคอร์เทกซ์หรือเปลือกสมองพร้อมๆกันนับหมื่นตัว

รูปที่ 1: เซลล์ประสาททรงปิรามิดที่เรียงตัวกันอยูบนเปลือกสมอง

<!--[if mso & !supportInlineShapes & supportFields]>
เราจะเห็นได้ว่าระเบียบวิธีที่ใช้พารามิเตอร์และระเบียบวิธีการสร้างภาพ แม้จะมีข้อจำกัดที่แตกต่างกัน ต่างก็ใช้แบบจำลองไดโพลในการอธิบายสัญญาณที่เกิดจากการทำงานของเซลล์ประสาท ซึ่งเป็นที่ยอมรับว่าเป็นแบบจำลองที่ดีสำหรับการอธิบายแหล่งกำเนิดสัญญาณเฉพาะจุด (focal source)  [24] แบบจำลองนี้ถึงแม้ว่าจะถูกใช้อย่างแพร่หลายที่สุดก็ยังมีข้อจำกัดที่เห็นได้ชัดก็คือ  ความไม่เหมาะสมในการอธิบายแหล่งกำเนิดการทำงานของเซลล์ประสาทที่มีบริเวณกว้าง (distributed source) เนื่องจากไดโพลไม่มีพารามิเตอร์ที่สามารถอธิบายเกี่ยวกับขนาดหรือพื้นที่ได้ นอกจากนี้ การใช้ไดโพลมาอธิบายกิจกรรมทางสมองที่กินบริเวณกว้างยังมักจะก่อให้เกิดไบแอส (bias) ในการบ่งชี้แหล่งกำเนิดอีกด้วยงานวิจัยในช่วงหลังจึงพยายามเสนอแนะทางเลือกอื่นๆในการอธิบายสัญญาณที่เกิดจากการทำงานของเซลล์ประสาทในบริเวณกว้างของสมอง (spatially extended activity) โดยการแทนข้อมูลด้วยฟังก์ชันพื้นฐานอื่นๆ เช่นการใช้มัลติโพล (multipole) [25-27] แบบจำลองแผ่นย่อยของคอร์เทกซ์ (cortical patch models) [28-33] แบบจำลองแผ่นสมองพื้นฐาน  (cortical patch basis model) [34]หรือการแปลงเวฟเล็ต (Wavelet transform) [35-36] การแทนข้อมูลด้วยฟังก์ชันพื้นฐานที่ดีควรเป็นอิสระกับข้อมูลที่วัดได้ มีความเกี่ยวเนื่องกับลักษณะทางกายวิภาคของสมอง  และมีจำนวนพารามิเตอร์ของปัญหาอินเวอร์สที่ไม่มากเกินไป
 
สรุป
บทความชิ้นนี้ได้แนะนำให้ทุกคนรู้จักกับคลื่นแม่เหล็กไฟฟ้าจากสมองอย่างคร่าวๆ  ทั้งในแง่ของการกำเนิดสัญญาณ อุปกรณ์ที่ใช้วัดสัญญาณ  และอัลกอริธึมต่างๆ ที่ใช้ในการวิเคราะห์สัญญาณสมองชนิดนี้  เราพบว่ากรอบการวิเคราะห์และอัลกอริธึมที่มีอยู่ส่วนใหญ่มักจะถูกพัฒนาขึ้นเพื่อการแก้ปัญหาเชิงพื้นที่หรือเชิงเวลาเพียงด้านใดด้านหนึ่ง  ทั้งที่ความจริงแล้วข้อมูลทั้งสองด้านมีความเกี่ยวข้องกันอย่างแยกมิได้ นอกจากนี้ ระเบียบวิธีต่างๆ ที่ถูกพัฒนาขึ้นมักจะมีเป้าหมายเพื่อประยุกต์ใช้กับงานเฉพาะด้าน อีกทั้งผลงานวิจัยส่วนใหญ่จึงไม่ได้ถูกนำไปทดสอบกับข้อมูลการทดลองที่มีความหลากหลายเพียงพอ ส่งผลให้เกิดความข้องใจในการนำวิธีการใหม่ๆเหล่านี้ไปประยุกต์ใช้งานจริง  แนวโน้มใหม่ในปัจจุบันสำหรับงานวิจัยคลื่นแม่เหล็กไฟฟ้าจากสมองนี้ จึงเป็นความพยายามในการพัฒนาอัลกอริธึมหรือกรอบแนวคิดใหม่ที่สามารถใช้ประโยชน์จากข้อมูลมิติสัมพันธ์ทั้งในเชิงพื้นที่และเวลาไปพร้อมๆ กัน  โดยยังต้องการให้มีความสามารถที่จะวิเคราะห์ปัญหาการบ่งชี้แหล่งกำเนิดและการประมาณค่าคุณลักษณะของสัญญาณได้ทั้งสองปัญหาอีกด้วย งานวิจัยที่มีเป้าหมายเพื่อรวมความสามารถในการสร้างภาพกิจกรรมภายในสมองควบคู่ไปกับการวิเคราะห์การเปลี่ยนแปลงการทำงานเชิงเวลาของสมองที่มีอยู่ในขณะนี้ ยังมีข้อจำกัดที่สำคัญอีกหลายประการ เช่น ความแปรปรวนของการทำงานจากคลื่นรบกวน ความแปรปรวนจากสหสัมพันธ์  (correlation) ระหว่างแหล่งกำเนิดหลายแห่ง ระดับความละเอียดของภาพที่ได้ที่ยังไม่เพียงพอ ความจำเป็นในการมีปริมาณข้อมูลจำนวนมาก ความยุ่งยากในการปรับเลือกค่าพารามิเตอร์ และความซับซ้อนของกระบวนการคำนวณ งานวิจัยด้านการวิเคราะห์สัญญาณคลื่นแม่เหล็กไฟฟ้าจากสมอง จึงนับเป็นหัวข้อวิจัยที่มีความท้าทายและเปิดกว้างสำหรับนักวิจัยรุ่นใหม่ๆ พอสมควรเลยทีเดียว


เอกสารอ้างอิง
[1] S. Baillet, J. Mosher, and R. Leahy, “Electromagnetic brain mapping,” IEEE Signal Processing Magazine, vol. 18, pp. 14–30, 2001.
[2] J. Mosher, R. Leahy, and P. Lewis, “EEG and MEG: Forward solutions for inverse methods,” IEEE Trans. Biomed. Eng., vol. 46, no. 3, pp. 245-259, 1999.
[3] J. de Munck, B. van Dijk, and H. Spekreijse, “Mathematical dipoles are adequate to describe realistic generators of human brain activity,” IEEE Trans. Biomed. Eng., vol. 35, no. 11, pp. 960–966, 1988.
[4] M. Scherg and D. von Cramon, “Two bilateral sources of the late AEP as identified by a spatio-temporal dipole model,” Electroenceph. Clin. Neurophysiol., vol. 62, pp. 32–44, 1985.
[5] A. Dogandzic and A. Nehorai, “Estimating evoked dipole responses in unknown spatially correlated noise with EEG/MEG arrays,” IEEE Trans Signal Processing, vol. 48, no. 1, pp. 13–25, 2000.
[6] Van Veen, B.D., Joseph, J., and Hecox, K., “Localization of Intra-Cerebral Sources of Electrical Activity via Linearly Constrained Minimum Variance Spatial Filtering,” IEEE Workshop on Statistical Signal and Array Processing Proceedings, pp. 526-529, 1992.
[7] Van Veen, B.D. , van Drongelen, W.D. , Yuchtman, M., and Suzuki, A., “Localization of Brain Electrical Activity via Linearly Constrained Minimum Variance Spatial Filtering,” IEEE Trans. Biomed. Eng., vol. 44, pp. 867-880, 1997.
[8] Robinson, S.E., and Vrba, J., “Functional neuroimaging by synthetic aperture magnetometry (SAM),” in Recent Advances in Biomagnetism, T. Yoshimoto et al (Eds), Sendai: Tohoku University Press, pp. 302-305, 1999.
[9] Sekihara, K., Nagarajan, S.S., Poeppel, Marantz, A., and Miyashita, Y.,  “Reconstructing spatiotemporal activities of neural sources using an MEG vector beamformer technique,” IEEE Trans. Biomed. Eng., vol. 48, pp. 760-771, 2001.
[10] Mosher, J.C., Baillet, S., and Leahy, R.M., “EEG source localization and imaging using multiple signal classification approaches,” J. Clin. Neurophysiol., vol. 16, pp. 225-238, 1999.
[11] Mosher, J.C. and Leahy, R.M., “Source localization using recursively applied and projected (RAP) MUSIC,” IEEE Trans. Signal Proc., vol. 47, pp. 332-340, 1999.
[12] K. Sekihara, D. Poeppel, A. Marantz, H. Koizumi, and Y. Miyashita, “Noise covariance incorporated MEG-MUSIC algorithm: a method for multiple-dipole estimation tolerant of the influence of background brain activity,” IEEE Trans. Biomed. Eng., vol. 44, no. 9, pp. 839–847, 1997.
[13] B. Baryshnikov, B. Van Veen, and R. Wakai, “Maximum-likelihood estimation of low-rank signals for multiepoch MEG/EEG analysis,” IEEE Trans Biomed. Eng., vol. 51, no. 11, pp. 1981–1993, 2004.
[14] A. Dale and M. Sereno, “Improved localization of cortical activity by combining EEG and MEG with MRI cortical surface reconstruction: a linear approach,” Journal of Cognitive Neuroscience, vol. 5, no. 2, pp. 162–176, 1993.
[15] M. Hamalainen and R. Ilmoniemi, “Interpreting magnetic fields of the brain: minimum norm estimates,” Med. and Biol. Eng. and Comp., vol. 32, no. 1, pp. 35-42, 1994.
[16] B. Jeffs, R. Leahy, and M. Singh, “An evaluation of methods for neuromagnetic image reconstruction,” IEEE Trans. Biomed. Eng., vol. BME-34, pp. 713–723, 1987.
[17] J. Wang, “Minimum-norm least-squares estimation: magnetic source images for a spherical model head,” IEEE Trans. Biomed. Eng., vol. 40, no. 4, pp. 387-396, 1993.
[18] Pascual-Marqui, R.D., Michel, C.M., Lehmann, D.,  “Low resolution electromagnetic tomography: a new method for localizing electrical activity in the brain,” Int. J. Psychophysiol., vol. 18, pp. 49–65, 1994.
[19] B. He, D. Yao, J. Lian, and D. Wu, “An equivalent current source model and Laplacian weighted minimum norm current estimates of brain electrical activity,” IEEE Trans. Biomed. Eng., vol. 49, no. 4, pp. 277–288, 2002.
[20] K. Matsuura and Y. Okabe, “Selective minimum-norm solution of the biomagnetic inverse problem,” IEEE Trans Biomed. Eng., vol. 42, no. 6, pp. 608–615, 1995.
[21] D. Schmidt, J. George, and C.Wood, “Bayesian inference applied to the electromagnetic inverse problem,” Human Brain Mapping, vol. 7, pp. 195–212, 1999.
[22] I. Gorodnitsky, J. George, and B. Rao, “Neuromagnetic source imaging with FOCUSS: a recursive weighted minimum norm algorithm,” Electroenceph. Clin. Neurophysiol., vol. 95, pp. 231–251, 1995.
[23] H. Liu, X. Gao, P. Schimpf, F. Yang, and S. Gao, “A recursive algorithm for the three-dimensional imaging of brain electric activity: shrinking LORETA-FOCUSS,” IEEE Trans. Biomed. Eng., vol. 51, no. 10, pp. 1794–1802, 2004.
[24] F. Darvas, D. Pantazis, E. Kucukaltun-Yildirim, and R. Leahy, “Mapping human brain function with MEG and EEG: methods and validation,” NeuroImage, vol. 23, pp. S289–S299, 2004.
[25] K. Jerbi, J. Mosher, G. Nolte, S. Baillet, L. Garnero, and R. Leahy, “From dipoles to multipoles: parametric solutions to the inverse problem in MEG,” in Proceedings of the 13th International Conference on Biomagnetism, Jena, Germany, Aug 2002.
[26] J. Mosher, R. Leahy, D. Shattuck, and S. Baillet, “MEG source imaging using multipolar expansions,” in Lecture Notes in Computer Science, vol. 1613, Proc. IPMI99. Springer-Verlag GmbH, pp. 15–28, 1999.
[27] G. Nolte and G. Curio, “Current multipole expansion to estimate lateral extent of neuronal activity: a theoretical analysis,” IEEE Trans Biomed. Eng., vol. 47, no. 10, pp. 1347–1355, 2000.
[28] B. Lutkenhoner, E. Menninghaus, O. Steinstrater, C. Wienbruch, H. Gibler, and T. Elbert, “Neuromagnetic source analysis using magnetic resonance images for the construction of source and volume conductor model,” Brain Topography, vol. 7, no. 4, pp. 291–299, 1995.
[29] W. Kincses, C. Braun, S. Kaiser, and T. Elbert, “Modeling extended sources of event-related potentials using anatomical and physiological constraints,” Human Brain Mapping, vol. 8, pp. 182–193, 1999.
[30] W. Kincses, C. Braun, S. Kaiser, W. Grodd, H. Ackermann, and K. Mathiak, “Reconstruction of extended cortical sources for EEG and MEG based on a Monte-Carlo-Markov-Chain estimator,” Human Brain Mapping, vol. 18, pp. 100–110, 2003.
[31] M. Wagner, T. K¨ohler, M. Fuchs, and J. Kastner, “An extended source model for current density reconstructions,” in Proceedings of the 12th International Conference on Biomagnetism, J. Nenonen, R. Ilmoniemi, and T. Katila, Eds. Espoo, Finland: Helsinki Univ. of Technology, pp. 749–752, 2000.
[32] M. Wagner, M. Fuchs, and J. Kastner, “Current density reconstructions and deviation scans using extended sources,” in Proceedings of the 13th International Conference on Biomagnetism, Jena, Germany, Aug 2002.
[33] O. David and L. Garnero, “Time-coherent expansion of MEG/EEG cortical sources,” NeuroImage, vol. 17, pp. 1277–1289, 2002.
[34] T. Limpiti, B.D. Van Veen, and R.T. Wakai, “Cortical patch basis model for spatially extended neural activity,'' IEEE Trans. Biomed. Eng., vol. 53, no. 9, pp. 1740-1754, 2006.
[35] M. Unser and A. Aldroubi, “A review of wavelets in biomedical applications,” Proceedings of the IEEE, vol. 84, no. 4, pp. 626-638, 1996.
[36] L. Senhadji and F. Wendling, “Epileptic transient detection: wavelets and time-frequency approaches,” Clin. Neurophys., vol. 32, issue 3, pp. 175-192, 2002.
 

-->

Back to E-magazine List
 

ECTI Association
99 M.18 Paholyothin Rd., Klong Luang, Pathumthani 12120, THAILAND
E-mail: ecti.secretary@gmail.com
Find us on: