On the extraction, classification and causal analysis of EEG signal components
Winkler, Irene
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.
