Dependency Analysis of Electroencephalography Signals: A Theoretical and Data Driven Approach to Quantifying Dependencies in Multivariate Signals

Afhængighedsanalyse af Electroencephalografisignaler: En Teoretisk og Datadrevet Tilgang til Kvantificering af Afhængigheder i Multivariate Signaler

Vardinghus-Nielsen, Frederik Appel ; Ladefoged, Magnus Berg ; Fuglkjær, Alexander Djupnes

4. semester

Mathematical Engineering, Master

2023

2023-06-02

145

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.

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 apstract has been rewritten with the help of AI based on the project's original abstract]

Information Theory ; Omega Complexity ; Graph Theory ; EEG ; Electroencephalography ; Listening Effort ; Machine Learning ; Hearing Aids ; Dependency Analysis ; Correlation Analysis ; Statistics ; O-Information

Download PDF
View record in AAU Student Projects