Zpracování dat pro fMRI neurofeedback

Abstract

Tato práce se zabývá digitálním filtrováním dat získaných z fMRI neurofeedbacku v reálném čase. Práce analyzuje dosavadní řešení používané v CEITEC MU, se zaměřením na zkrácení prodlení na začátku každého neurofeedback bloku, které je způsobeno digitálním filtrováním. Dosavadní řešení používá, hlavně pro jeho online a vyhlazovací vlastnosti, nelineární Kalmánův filtr. Analýzou 150 průběhu fMRI neurofeedback sezení byla zjištěna dolní hranice, kterou nelineární Kalmánův filtr potřebuje k naučení. Počet potřebných vzorků je významně menši než je nastaveno v dosavadním řešení. Další možnosti zkrácení prodlení byly prozkoumány a klouzavý průměrovací filtr byl vybrán jako optimální kompromis mezi dobou prodlení, zpoždění filtru a jeho vyhlazovacími vlastnostmi.The presented thesis deals with real-time digital filtering of fMRI neurofeedback data. It analyzes currently used solution at CEITEC MU chiefly in respect to finding ways to shorten the delay at the beginning of each neurofeedback block which is introduced by digital filtering. Current solution uses extended Kalman filter mainly for its real-time and smoothing properties. Analysis of 150 individual neurofeedback blocks yielded true learning period of Kalman filter which has been found to be significantly shorter than is set in the current solution. Different options to further reduce the transient period have been explored and short moving average filter has been chosen as an optimal trade-off between transient period, filter delay and its smoothing properties.