Please use this identifier to cite or link to this item: http://dx.doi.org/10.25673/68887
Title: Noninvasive brain stimulation and visual field decoding for vision recovery in patients with occipital brain damage
Author(s): Xu, Jiahua
Referee(s): Nürnberger, AndreasLook up in the Integrated Authority File of the German National Library
Sabel, Bernhard A.Look up in the Integrated Authority File of the German National Library
Granting Institution: Otto-von-Guericke-Universität Magdeburg, Fakultät für Informatik
Issue Date: 2022
Extent: xiv, 126 Seiten
Type: HochschulschriftLook up in the Integrated Authority File of the German National Library
Type: Doctoral thesis
Exam Date: 2022
Language: English
URN: urn:nbn:de:gbv:ma9:1-1981185920-708387
Subjects: Stroke
EEG
Brain connectivity
Brain networks
Graph neural network
Deep learning.
Abstract: Der Schlaganfall ist weltweit eine der Hauptursachen für Tod und Behinderung. Ein okzipitaler Schlaganfall führt häufig zu einem Gesichtsfeldverlust in beiden Augen, der als homonyme Hemianopie (HH) bezeichnet wird, und den damit verbundenen Problemen mit Augenbewegungen, Aufmerksamkeit und visueller Wahrnehmung. Sehbehinderungen sind von ernsthafter Bedeutung, da sie die Lebensqualität erheblich beeinträchtigen, z.B. Orientieren, Identifizieren von Objekten, Lesen oder Fahren. Es gibt jedoch nur wenige Behandlungen für Gesichtsfelddefekte nach einem Schlaganfall, wie z.B. mühsames vi-suelles Training. In den letzten Jahren hat sich ein neuer therapeutischer Ansatz her-ausgebildet: die nichtinvasive Mikrostromstimulation des Gehirns, die auf einer innova-tiven Technologie zur Hirnstimulation basiert, die die Erregbarkeit des Gehirns durch transkranielle Anwendung moduliert. Um solche Netzwerke zu analysieren, hat Deep Learning in den Neurowissenschaften und anderen Anwendungen viel Aufmerksamkeit auf sich gezogen, da es uns ermöglicht, Einblicke in die physiologischen Grundlagen von Hochleistung ohne vordefinierte Merkmale zu gewinnen. Wir haben jetzt multidisziplinäre Technologien wie Neuropsychologie, Grapietheorie, nichtinvasive Hirnstimulation und künstliche Intelligenz kombiniert, um die Reorgan-isation des Gehirns Netzwerks nach einem Schlaganfall und den möglichen Mechanis-mus zur Wiederherstellung des Sehvermögens zu verstehen. Zu diesem Zweck haben wir zunächst die Reorganisation des Hirnnetzwerks für Patienten mit okzipitalem Schlaganfall durch die klinische Studie charakterisiert, um die dynamischen Plastizitätsänderungen des Gehirns im Vergleich zu gesunden Kontrollen zu untersuchen. Zweitens haben wir eine nichtinvasive Intervention zur Hirnstimulation entwickelt, um den zugrunde liegen-den Mechanismus zur Wiederherstellung des Sehvermögens bei der Modulation der Plas-tizität des Gehirns bei Schlaganfallpatienten mit Sehverlust zu untersuchen. Basierend auf dem klinischen Ergebnis schlagen wir einen Ansatz mit künstlicher Intelligenz vor, um die Multi-Modell-Daten (EEG- und Verhaltensdaten) zu nutzen, um die Möglichkeit einer Wiederherstellung des Sehvermögens nach nichtinvasiver Hirnstimulation vorherzusagen. Unser Ergebnis könnte sehbehinderten Patienten nach einem okzipitalen Schlaganfall während der Diagnose und Behandlung der Klinik zugute kommen und ihre täglichen Aktivitäten und ihre Lebensqualität verbessern.
Stroke is one of the leading causes of death and disability globally. Occipital stroke often leads to visual field loss in both eyes, called homonymous hemianopia (HH), and associ-ated problems with eye movements, attention, and visual cognition. Vision impairments are of serious concern as they significantly reduce life quality, such as orienting, iden-tifying objects, reading, or driving. However, only few treatments exist for visual field defects after stroke, such as laborious visual training. In recent years, a new therapeutic approach has emerged: noninvasive brain micro-current stimulation, which is based on innovative brain stimulation technology that modulates brain excitability via transcranial application. Two of the most common transcranial stimulation methods are transcra-nial direct current stimulation (tDCS) and transcranial alternating current stimulation (tACS). They either modulate the neurons’ excitability or entrain the neurons’ oscillation with external frequency modulation leading to brain plasticity. This plasticity response of the brain can be assessed by graph theory, which can describe brain functional net-work properties by quantifying typologies of anatomical tracts or functional associations of brain networks and their changes. Machine learning has attracted much attention from neuroscience and other applications, as it allows us to gain insight into the physiological basis of high performance without predefined features. We now combined multidisciplinary technologies such as neuropsychology, graph theory, noninvasive brain stimulation, and artificial intelligence to understand the brain network reorganization after a stroke and the possible mechanism for vision recovery. To this end, we first characterized the brain network reorganization for occipital stroke patients through the clinical trial to investigate the dynamic brain plasticity changes compared to healthy controls. Secondly, we designed a noninvasive brain stimulation interven-tion to investigate the underlying vision recovery mechanism of modulating the brain plasticity for stroke patients that have suffered vision loss. Finally, based on the clinical result, we propose an artificial intelligence approach to utilize the multi-model data (EEG and behavioral data) to predict the possibility of vision recovery after noninvasive brain stimulation. We also evaluated the correlation between brain oscillations and visual field defects with deep neural networks. Our result could benefit visually impaired patients after occipital stroke during the clinic’s diagnostic and treatment and enhance their daily activities and quality of life.
URI: https://opendata.uni-halle.de//handle/1981185920/70838
http://dx.doi.org/10.25673/68887
Open Access: Open access publication
License: (CC BY-SA 4.0) Creative Commons Attribution ShareAlike 4.0(CC BY-SA 4.0) Creative Commons Attribution ShareAlike 4.0
Appears in Collections:Fakultät für Informatik

Files in This Item:
File Description SizeFormat 
Xu_Jiahua_Dissertation_2022.pdfDissertation26.41 MBAdobe PDFThumbnail
View/Open