A Preliminary Analysis of the Brain’s Response to Single Sound-Parameter Variations
Authors
Trevisi, Antonio ; Ruiz Rivera, Anuhi
Term
4. term
Education
Publication year
2014
Submitted on
2014-06-10
Pages
128
Abstract
Dette projekt undersøger, hvordan ændringer i én lydparameter – lydstyrke eller frekvens – hænger sammen med mønstre i hjernens elektriske aktivitet målt med EEG. Målet er at opbygge en lineær regressionsmodel, der kan estimere hjernens tilstand ud fra en given lydværdi. Hver forsøgsafsnits EEG blev sammenfattet i en kovariansmatrix, som blev behandlet som et punkt i et Riemannsk rum (en krum matematisk struktur). Ved hjælp af Riemannsk geometri og afstande mellem disse matricer blev der udført statistisk regression, og forskellige metoder til regression og krydsvalidering blev afprøvet for at identificere lineær adfærd i data. De rå EEG-data blev filtreret for at fjerne støj og artefakter. Resultaterne viser, at sammenhængen mellem en enkelt lydparameter og hjernens tilstand er personafhængig. De lineære modeller, der blev fundet for hver deltager, understøtter brugen af interpolation til at estimere hjernens tilstand for enhver værdi af lydstyrke eller frekvens.
This project examines how changes in a single sound parameter—loudness or frequency—relate to patterns in the brain’s electrical activity measured with EEG. The goal is to build a linear regression model that estimates the brain’s state from a given sound value. For each trial, the EEG was summarized by a covariance matrix, treated as a point in a Riemannian space (a curved mathematical space). Using Riemannian geometry and distances between these matrices, we performed statistical regression and tested different regression and cross-validation methods to identify linear behavior in the data. The raw EEG was filtered to remove noise and artifacts. The findings show that the relationship between a single sound parameter and the brain’s state is subject-dependent. The linear models found for each participant support using interpolation to estimate the brain’s state for any loudness or frequency value.
[This abstract was generated with the help of AI]
Keywords
Documents