Reliable estimation of causal conditional entropy from multivariate time-series data
Author
Dalgaard, Martin Kamp
Term
4. semester
Education
Publication year
2020
Submitted on
2020-06-03
Pages
68
Abstract
Dette speciale undersøger, hvordan man pålideligt kan estimere kausal betinget rettet information (CCDI) – et mål for, hvor meget og i hvilken retning information flyder fra ét signal til et andet, når der tages højde for andre signaler. Vi fokuserer på estimatorer baseret på k-nærmeste naboer (k-NN), en ikke-parametrisk metode, der sammenligner hvert datapunkt med dets nærmeste naboer og ofte fungerer godt i højdimensionelle data. Specialet udleder både velkendte estimatorer og en ny, forbedret estimator og afprøver dem på både simulerede data og virkelige EEG-optagelser. Som praktisk anvendelse undersøger vi forbindelsen mellem occipitale (baghovedet, primært visuelle) og frontale hjerneområder, når forsøgspersoner har henholdsvis åbne og lukkede øjne. Hypotesen er, at disse områder er stærkere forbundet, når øjnene er lukkede. Vi beregner CCDI mellem de to regioner under begge tilstande og sammenligner resultaterne. Resultaterne viser kun små forskelle mellem åbne og lukkede øjne, hvilket tyder på, at en stærkere forbindelse ikke klart kan påvises med den nuværende tilgang og data. Yderligere undersøgelser er nødvendige.
This thesis examines how to reliably estimate causal conditional directed information (CCDI), a quantity that describes the direction and strength of information flow from one signal to another while accounting for other signals. We focus on estimators based on k-nearest neighbors (k-NN), a non-parametric approach that compares each data point to its closest neighbors and often works well in high-dimensional data. The thesis derives both established estimators and a new, improved estimator, and evaluates them on simulated data and real electroencephalography (EEG) recordings. As a practical application, we study connectivity between the occipital (back of the head, primarily visual) and frontal brain areas when participants have their eyes open versus closed. The hypothesis is that these areas are more strongly connected when the eyes are closed. We compute CCDI between the two regions under both conditions and compare the results. The findings show only minor differences between eyes-open and eyes-closed states, suggesting that stronger connectivity is not clearly detectable with the current approach and data. Further studies are needed.
[This abstract was generated with the help of AI]
Documents