Dependency Analysis of Electroencephalography Signals: A Theoretical and Data Driven Approach to Quantifying Dependencies in Multivariate Signals
Translated title
Afhængighedsanalyse af Electroencephalografisignaler: En Teoretisk og Datadrevet Tilgang til Kvantificering af Afhængigheder i Multivariate Signaler
Authors
Vardinghus-Nielsen, Frederik Appel ; Ladefoged, Magnus Berg ; Fuglkjær, Alexander Djupnes
Term
4. semester
Education
Publication year
2023
Submitted on
2023-06-02
Pages
145
Abstract
Dette projekt bruger værktøjer fra informationsteori og grafteori til at undersøge, hvordan EEG-signaler hænger sammen. Vi analyserer et mål kaldet omega-kompleksitet, som opsummerer, hvor komplekse og indbyrdes forbundne signalerne er, og vi foreslår en generaliseret version for at afhjælpe nogle begrænsninger. Metoderne afprøves på simulerede systemer (koblede Rössler-systemer og multivariate autoregressive processer), som efterligner EEG-lignende adfærd. Først analyseres et EEG-datasæt fra en person i miljøer med højt og lavt signal-støj-forhold (SNR); her ses ingen markante forskelle. Dernæst anvendes metoderne på intrakraniel EEG (iEEG) fra en person med epilepsi, hvor vi finder tydelige ændringer i afhængigheder mellem signaler før og under et anfald. Resultaterne tyder på, at de introducerede metoder til en vis grad kan opfange ændringer i sammenhænge i EEG-signaler.
This project uses tools from information theory and graph theory to study how EEG signals are related. We analyze a measure called omega complexity, which summarizes how complex and interconnected the signals are, and we propose a generalized version to address some limitations. The methods are tested on simulated systems (coupled Rössler systems and multivariate autoregressive processes) that mimic EEG-like behavior. We first analyze an EEG dataset from one subject in high and low signal-to-noise ratio (SNR) environments and find no notable differences. We then apply the methods to intracranial EEG (iEEG) from a person with epilepsy and observe clear changes in dependencies between signals before and during a seizure. These results suggest that the introduced methods can, to some extent, capture changes in dependencies in EEG signals.
[This summary has been rewritten with the help of AI based on the project's original abstract]
Keywords
Documents