Please use this identifier to cite or link to this item:
Main Title: On the extraction, classification and causal analysis of EEG signal components
Translated Title: Beiträge zur Extraktion, Klassifikation und kausalen Analyse von EEG Komponenten
Author(s): Winkler, Irene
Advisor(s): Müller, Klaus-Robert
Referee(s): Müller, Klaus-Robert
Hyvärinen, Aapo
Nolte, Guido
Granting Institution: Technische Universität Berlin
Type: Doctoral Thesis
Language Code: en
Abstract: Due to its high temporal resolution and relatively low costs, electroencephalography (EEG) is a widespread tool in neuroscientific research and clinical diagnosis. However, EEG signals suffer from low signal-to-noise ratio and are contaminated by artifacts, which are undesired signals that do not originate from the brain. Therefore, sophisticated data analysis methods are needed to extract information from EEG data. This cumulative thesis contributes to the development of multivariate methods for the analysis of EEG data in several ways. First, it addresses necessary pre-processing steps for EEG signal analysis. An open-source toolbox that automates the time-consuming process of manually identifying artifactual signal components by EEG practitioners is developed and validated on several data sets. Second, the extraction of oscillatory signal components which explain behavioral variables is addressed. As causal information flow in time series data is often operationalized by the statistical concept of ’Granger causality’, a method which directly optimizes this quantity is developed and compared to state-of-the-art methods on simulated and real EEG data. Third, problems of spurious Granger causality in the presence of measurement noise are addressed in a theoretical contribution. Drawing on results from time series analysis, this thesis provides more theoretical guarantees for time-reversed Granger causality, a recently proposed approach which is more robust with respect to noise.
Die Elektroenzephalografie (EEG) ist eine Methode zur nicht-invasive Messung der elektrischen Aktivität des Gehirns, welche in der medizinischen Diagnostik und der neurowissenschaftlichen Forschung angewandt wird. Die Auswertung der EEG Signale wird jedoch durch deren niedriges Signal-Rausch-Verhältnis und deren Kontaminierung durch Artefakte erschwert. Daher werden fortgeschrittene datenanalytische Methoden benötigt. Diese kumulative Doktorarbeit besteht aus Beiträgen, die sich mit der Entwicklung multivariater Methoden für die Analyse von EEG Signalen beschäftigen. Zuerst geht es um notwendige Vorverarbeitungsschritte. Es wird eine open-source Toolbox zur automatischen Klassifikation von Artefaktkomponenten des EEGs entworfen, implementiert, und auf mehreren großen Datensätzen getestet. Danach beschäftigt sich diese Arbeit mit der Extrahierung von oszillatorischen EEG Komponenten, die Verhaltensvariablen erklären. In der Zeitreihenanalyse wird ein kausaler Informationsfluss häufig durch das statistische Konzept der ’Granger-Kausalität’ operationalisiert. In dieser Arbeit wird daher eine Methode entwickelt, welche direkt die Granger-Kausaliät optimiert. Die vorgeschlagene Methode wird in umfangreichen Simulationen und auf mehreren EEG Datensätzen mit state-of-the-art Methoden verglichen. In einem letzten theoretischeren Beitrag geht es um das Problem, welches Rauschen für Granger-Kausalität darstellt. Für das vor kurzem vorgeschlagene, robustere Verfahren ’zeit-invertierte Granger-Kausalität’ werden theoretische Garantien bewiesen.
Exam Date: 10-Dec-2015
Issue Date: 2016
Date Available: 21-Mar-2016
DDC Class: 500 Naturwissenschaften und Mathematik
004 Datenverarbeitung; Informatik
Subject(s): electroencephalography
blind source separation
Granger causality
blinde Quellentrennung
Granger Kausalität
Appears in Collections:Inst. Softwaretechnik und Theoretische Informatik » Publications

Files in This Item:
File Description SizeFormat 
winkler_irene.pdf12.11 MBAdobe PDFThumbnail

Items in DepositOnce are protected by copyright, with all rights reserved, unless otherwise indicated.