Analysis of the Aperiodic Component in neural signals: Optimization methods and Application to Parkinson's LFP and EEG data

The electroencephalogram (EEG) and Local Field Potentials (LFPs) are crucial techniques in neuroengineering for recording brain electrical activity. Extracting meaningful parameters from these signals is vital for identifying pathologies, developing personalized therapies, and monitoring treatment efficacy. Traditional analyses of electrophysiological signals focus on the evaluation of periodic oscillatory components, typically identified as peaks in the power spectrum. However, recent research has shifted towards the understanding of the "aperiodic component" of the spectrum, described by a function proportional to 1/f^β, where β, the “spectral” or “aperiodic” exponent, is a potential biomarker for various brain states, including sleep, cognitive abilities, and neurological diseases. This thesis aims to compare two methods, ‘FOOOF’ (Fitting Oscillations & one over f) and the ‘Three-Steps’ method, for separating periodic and aperiodic components in neural signals. Both methods estimate the aperiodic exponent β through linear regression on the Power Spectral Density (PSD) in a double-logarithmic scale. Accurate separation of these components is crucial, as oscillatory peaks can compromise the regression fitting, leading to misleading values of β. While non-parametric methods for the estimation of the PSD are traditionally used, this work also explores the use of parametric methods based on autoregressive (AR) models, which have not previously been applied to characterize the aperiodic component in neural signals. In this work, the optimization of these methods and the statistical evaluation of the results are discussed. Also, this work presents case studies applying these methods to EEG and LFP data from Parkinson’s disease patients using optimized parameters, and evaluates the methods efficacy in non-linear analysis of EEG and LFP signals based on findings from both simulated and real data. The findings indicate that both ‘FOOOF’ and ‘Three-Steps’, combined with parametric and non-parametric PSD estimation methods, can effectively separate periodic and aperiodic components, allowing for accurate estimation of the aperiodic exponent. The results suggest that β is a promising neurological biomarker, contributing significantly to advancements in neuroengineering and neurodiagnostics.

L'elettroencefalogramma (EEG) e i potenziali di campo locali (LFP) sono tecniche di ingegneria cruciali per la registrazione dell'attività elettrica cerebrale. Estrarre parametri significativi da questi segnali è vitale per identificare patologie, sviluppare terapie personalizzate e monitorare l'efficacia del trattamento. Le analisi tradizionali si concentrano sulle componenti periodiche (oscillazioni) nei segnali cerebrali, tipicamente identificati come picchi nello spettro di potenza. Tuttavia, recenti ricerche si sono concentrate sulla comprensione della "componente aperiodica" dello spettro, descritta da una funzione proporzionale a 1/f^β, dove β, l'esponente spettrale, è un potenziale biomarcatore per vari stati cerebrali, tra cui sonno, abilità cognitive e malattie neurologiche. Questa tesi mira a confrontare due metodi, il metodo ‘FOOOF’ (Fitting Oscillations & One Over F) e il metodo ‘Three-Steps’, per separare le componenti periodiche e aperiodiche nei segnali neurali. Entrambi i metodi stimano l'esponente β attraverso la regressione lineare sulla densità spettrale di potenza (PSD) in doppia scala logaritmica. Una separazione accurata di queste componenti è cruciale, poiché i picchi oscillatori possono compromettere l'adattamento della regressione. Mentre la PSD è tradizionalmente stimata tramite metodi non parametrici, questo lavoro esplora anche i metodi parametrici basati su modelli auto-regressivi (AR), che non sono mai stati precedentemente applicati per caratterizzare la componente periodica dei segnali neurali. In questo lavoro, vengono discussi l'ottimizzazione di questi metodi e la valutazione statistica dei risultati. Inoltre, vengono presentati casi di studio che applicano questi metodi ai dati EEG e LFP di pazienti con malattia di Parkinson utilizzando parametri ottimizzati, e viene valutata l'efficacia dei metodi nell'analisi non lineare dei segnali EEG e LFP basata su risultati derivanti da dati simulati e reali. I risultati indicano che sia ‘FOOOF’ che ‘Three-Steps’, combinati con metodi di stima della PSD parametrici e non parametrici, possono separare efficacemente le componenti periodiche e aperiodiche, permettendo una stima accurata dell'esponente aperiodico. I risultati suggeriscono che l'esponente aperiodico è un promettente biomarcatore neurologico, contribuendo in modo significativo ai progressi nella neuroingegneria e nella neuro-diagnostica.