Análisis comparativo de algoritmos en paralelo de mapeo de actividad cerebral para modelos cerebrales de alta resolución

Palabras clave: Algoritmos Paralelizados, optimización, mapeo cerebral, electroencefalografía

Resumen

En este artículo se propone un análisis comparativo entre versiones regulares y en paralelo de métodos de optimización FISTA y Tikhonov, para resolver el problema de mapeo cerebral a partir de EEG. La comparación se realiza en términos de la reducción del tiempo computacional y el error de estimación obtenido por los métodos paralelizados. Dos modelos de cabeza con alta y baja resolución son usados para la comparación de los algoritmos. Como resultado se puede ver que, si el número de procesos en paralelo se incrementa, el tiempo computacional disminuye significativamente para todos los modelos de cabeza, sin comprometer la calidad de la reconstrucción. Adicionalmente, se puede concluir que el uso de un modelo de cabeza de alta resolución resulta en una mejora de cualquier método de reconstrucción en términos de la resolución espacial.

Biografía del autor/a

Cristhian D. Molina-Machado , Universidad Tecnológica de Pereira, Colombia

M.Sc. en Ingeniería Eléctrica, Facultad de Ingeniería, Universidad Tecnológica de Pereira, Pereira-Colombia, cdmolina@utp.edu.co

Ernesto Cuartas , KU Leuven University, Bélgica

PhD. en Ingeniería, Movement Control & Neuroplasticity Research Group, KU Leuven University, Leuven-Belgium, ernesto.cuartas@kuleuven.be

Juan D. Martínez-Vargas*, Instituto Tecnológico Metropolitano, Colombia

PhD. en Ingeniería, Laboratorio de Máquinas inteligentes y reconocimientos de patrones, Instituto Tecnológico Metropolitano, Medellín-Colombia, juanmartinez@itm.edu.co

Eduardo Giraldo , Universidad Tecnológica de Pereira, Colombia

PhD. en Ingeniería, Programa de Ingeniería Eléctrica, Facultad de Ingenierías, Universidad Tecnológica de Pereira, Pereira-Colombia, egiraldos@utp.edu.co

Referencias bibliográficas

C. M. Michel and D. Brunet, “EEG Source Imaging: A Practical Review of the Analysis Steps,” Front. Neurol., vol. 10, pp.1-18, Apr. 2019. https://doi.org/10.3389/fneur.2019.00325

I. A. T. Hashem, I. Yaqoob, N. B. Anuar, S. Mokhtar, A. Gani, and S. Ullah Khan, “The rise of ‘big data’ on cloud computing: Review and open research issues,” Inf. Syst., vol. 47, pp. 98–115, Jan. 2015. https://doi.org/10.1016/j.is.2014.07.006

M. Mubarak, C. D. Carothers, R. B. Ross, and P. Carns, “Enabling Parallel Simulation of Large-Scale HPC Network Systems,” IEEE Trans. Parallel Distrib. Syst., vol. 28, no. 1, pp. 87–100, Jan. 2017.

https://doi.org/10.1109/TPDS.2016.2543725

C. D. Chambers et al., “Parallel processing of data”, Estados Unidos, US008555265B2, Oct. 8, 2013.

M. Hong, M. Razaviyayn, Z.-Q. Luo, and J.-S. Pang, “A Unified Algorithmic Framework for Block-Structured Optimization Involving Big Data: With applications in machine learning and signal processing,” IEEE Signal Process. Mag., vol. 33, no. 1, pp. 57–77, Jan. 2016. https://doi.org/10.1109/MSP.2015.2481563

F. Facchinei, G. Scutari, and S. Sagratella, “Parallel Selective Algorithms for Nonconvex Big Data Optimization,” IEEE Trans. Signal Process., vol. 63, no. 7, pp. 1874–1889, Apr. 2015.

https://doi.org/10.1109/TSP.2015.2399858

E. Giraldo-Suarez, J. D. Martinez-Vargas, and G. Castellanos-Dominguez, “Reconstruction of Neural Activity from EEG Data Using Dynamic Spatiotemporal Constraints,” Int. J. Neural Syst., vol. 26, no. 07, p. 1650026, Nov. 2016. https://doi.org/10.1142/S012906571650026X

E. Giraldo-Suárez, J. I. Padilla-Buriticá, and C. G. Castellanos-Domínguez, “Dynamic inverse problem solution using a kalman filter smoother for neuronal activity estimation,” TecnoLógicas, no. 27, p. 33-51, Dec. 2011.

https://doi.org/10.22430/22565337.3

S. Castaño-Candamil, J. Höhne, J.-D. Martínez-Vargas, X.-W. An, G. Castellanos-Domínguez, and S. Haufe, “Solving the EEG inverse problem based on space–time–frequency structured sparsity constraints,” Neuroimage, vol. 118, pp. 598–612, Sep. 2015. https://doi.org/10.1016/j.neuroimage.2015.05.052

G. Adde, M. Clerc, and R. Keriven, “Imaging methods for MEG/EEG inverse problem,” Int. J. Bioelectromagn., vol. 7, no. 2, pp. 111–114, Jan. 2005.

Z. Chen, J. Nagy, Y. Xi, and B. Yu, “Structured FISTA for Image Restoration,” arXiv Prepr., pp. 1–19, Jan. 2019.

Z. Peng, M. Yan, and W. Yin, “Parallel and distributed sparse optimization,” in 2013 Asilomar Conference on Signals, Systems and Computers, Pacific Grove, 2013, pp. 659–646.

https://doi.org/10.1109/ACSSC.2013.6810364

Z. Li and J. Li, “A simple proximal stochastic gradient method for nonsmooth nonconvex optimization,” in NIPS’18 Proceedings of the 32nd International Conference on Neural Information Processing Systems, Montréal, 2018, pp. 5564–5574.

Y. Huang, L. C. Parra, and S. Haufe, “The New York Head—A precise standardized volume conductor model for EEG source localization and tES targeting,” Neuroimage, vol. 140, pp. 150–162, Oct. 2016.

https://doi.org/10.1016/j.neuroimage.2015.12.019

E. Cuartas Morales, C. D. Acosta-Medina, G. Castellanos-Dominguez, and D. Mantini, “A Finite-Difference Solution for the EEG Forward Problem in Inhomogeneous Anisotropic Media,” Brain Topogr., vol. 32, no. 2, pp. 229–239, Mar. 2019. https://doi.org/10.1007/s10548-018-0683-2

Cómo citar
[1]
C. D. . Molina-Machado, E. . Cuartas, J. D. . Martínez-Vargas, y E. . Giraldo, «Análisis comparativo de algoritmos en paralelo de mapeo de actividad cerebral para modelos cerebrales de alta resolución», TecnoL., vol. 22, n.º 46, pp. 233–243, sep. 2019.

Descargas

Los datos de descargas todavía no están disponibles.
Publicado
2019-09-20
Sección
Artículos de investigación

Métricas

Crossref Cited-by logo