On methods for pattern recognition with application to epileptic electroencephalograms
(1999)- Abstract
- The thesis treats methods for pattern recognition in multichannel electroencephalogram (EEG) signals, for application to diagnostics of epilepsy. Parts I-IV treat methods for feature extraction and clustering of EEG spikes, occurring between epileptic seizures, and part V presents a method for filtering seizure onset EEG signals. In part I, Hermite functions are used for parametric description of multichannel spikes, and the L-means method for clustering. The method is evaluated on real life signal sets. Part II treats the problem of making clustering methods statistically robust, and evaluates the fuzzy L-means method and the k-component graph-theoretic method in this respect. The effect of incorporation of the physical geometry of the... (More)
- The thesis treats methods for pattern recognition in multichannel electroencephalogram (EEG) signals, for application to diagnostics of epilepsy. Parts I-IV treat methods for feature extraction and clustering of EEG spikes, occurring between epileptic seizures, and part V presents a method for filtering seizure onset EEG signals. In part I, Hermite functions are used for parametric description of multichannel spikes, and the L-means method for clustering. The method is evaluated on real life signal sets. Part II treats the problem of making clustering methods statistically robust, and evaluates the fuzzy L-means method and the k-component graph-theoretic method in this respect. The effect of incorporation of the physical geometry of the electrode positions is also studied. In part III, the problem of alignment of the signals that are to be clustered is treated. Two new estimators are suggested and evaluated on simulated as well as real life signals. Part IV treats denoising of signal matrices under the assumption that the signals have low rank and the noise has full rank. A method is suggested consisting of representation in a basis of unit rank matrices, and algorithms for determination of such bases are given. Applicability to real life signals is demonstrated. Part V describes a technique for approximate Wiener filtering of non-stationary seizure onset EEG signals. The method relies on a time-frequency domain identity which is approximately valid for underspread stochastic processes, and estimates the Weyl symbol of the Wiener filter with aid of coherence functions between channels. (Less)
- Abstract (Swedish)
- Popular Abstract in Swedish
Elektroencefalogrammet (EEG), dvs mätning av potentialer på skalpen, är en relativt enkel och gammal teknik för att studera hjärnans aktivitet. Trots de stora framstegen inom s k brain-mapping-tekniker på senare år (magnetröntgen, PET, SPECT), är EEG fortfarande ett viktigt verktyg för diagnos. En av dess fördelar gentemot andra tekniker är dess fina tidsupplösning.
Ett stort användningsområde för EEG-signalen är diagnosticering av epilepsi. Epilepsi yttrar sig i EEG på framför allt två olika sätt: vid anfallsstart sker en förhöjning av signalenergin, och mellan anfallen kan förekomma spontana transienter, s k spikar. Spikarna är viktiga eftersom man antar att de ofta härrör... (More) - Popular Abstract in Swedish
Elektroencefalogrammet (EEG), dvs mätning av potentialer på skalpen, är en relativt enkel och gammal teknik för att studera hjärnans aktivitet. Trots de stora framstegen inom s k brain-mapping-tekniker på senare år (magnetröntgen, PET, SPECT), är EEG fortfarande ett viktigt verktyg för diagnos. En av dess fördelar gentemot andra tekniker är dess fina tidsupplösning.
Ett stort användningsområde för EEG-signalen är diagnosticering av epilepsi. Epilepsi yttrar sig i EEG på framför allt två olika sätt: vid anfallsstart sker en förhöjning av signalenergin, och mellan anfallen kan förekomma spontana transienter, s k spikar. Spikarna är viktiga eftersom man antar att de ofta härrör från epileptiska fokus. Även anfallsstarter används för lokalisation av fokus.
Denna avhandling behandlar olika tekniker för signalbehandling av flerkanaligt uppmätta EEG-signaler från epileptiker, närmare bestämt spikar och anfallsstarter. För att få kunskap om de epileptiska fokusen, t ex deras antal och placering i hjärnan vill man kategorisera spikar. Eftersom kategorierna ofta är illa definierade då de uppmäts på skalpen krävs statistisk robustitet hos kategoriseringsalgoritmen. Dessutom önskar man att spikar av samma kategori är synkroniserade till varandra innan man utför kategorisering, eftersom annars kategorierna kan vara svåra att finna. Den rika förekomsten av störning i signalerna påkallar metoder för brusreduktion. Dessa avgränsade problem studeras i tre av avhandlingens fem delar. Den sista delen handlar om brusreduktion i anfallsstart-EEG, vilket kräver tekniker avpassade till icke-stationära signaler eftersom anfallsstart-EEG har ett snabbt varierande frekvensinnehåll. (Less)
Please use this url to cite or link to this publication:
https://lup.lub.lu.se/record/39918
- author
- Wahlberg, Patrik LU
- supervisor
- opponent
-
- Docent Koski, Timo
- organization
- publishing date
- 1999
- type
- Thesis
- publication status
- published
- subject
- keywords
- clustering, EEG signal processing, epilepsy, statistical robustness, feature extraction, signal alignment, denoising, Wiener filtering, time-frequency analysis., Signal processing, Signalbehandling
- pages
- 160 pages
- publisher
- Patrik Wahlberg, Department of Applied Electronics, Lund University, P.O. Box 118, S-221 00 Lund, Sweden,
- defense location
- Room E:1406, E-huset, LTH, Lund
- defense date
- 1999-10-15 13:15:00
- language
- English
- LU publication?
- yes
- id
- bd672dd8-896b-4c82-b069-cd2c3abddb2c (old id 39918)
- date added to LUP
- 2016-04-01 16:17:07
- date last changed
- 2021-04-23 09:19:40
@phdthesis{bd672dd8-896b-4c82-b069-cd2c3abddb2c,
abstract = {{The thesis treats methods for pattern recognition in multichannel electroencephalogram (EEG) signals, for application to diagnostics of epilepsy. Parts I-IV treat methods for feature extraction and clustering of EEG spikes, occurring between epileptic seizures, and part V presents a method for filtering seizure onset EEG signals. In part I, Hermite functions are used for parametric description of multichannel spikes, and the L-means method for clustering. The method is evaluated on real life signal sets. Part II treats the problem of making clustering methods statistically robust, and evaluates the fuzzy L-means method and the k-component graph-theoretic method in this respect. The effect of incorporation of the physical geometry of the electrode positions is also studied. In part III, the problem of alignment of the signals that are to be clustered is treated. Two new estimators are suggested and evaluated on simulated as well as real life signals. Part IV treats denoising of signal matrices under the assumption that the signals have low rank and the noise has full rank. A method is suggested consisting of representation in a basis of unit rank matrices, and algorithms for determination of such bases are given. Applicability to real life signals is demonstrated. Part V describes a technique for approximate Wiener filtering of non-stationary seizure onset EEG signals. The method relies on a time-frequency domain identity which is approximately valid for underspread stochastic processes, and estimates the Weyl symbol of the Wiener filter with aid of coherence functions between channels.}},
author = {{Wahlberg, Patrik}},
keywords = {{clustering; EEG signal processing; epilepsy; statistical robustness; feature extraction; signal alignment; denoising; Wiener filtering; time-frequency analysis.; Signal processing; Signalbehandling}},
language = {{eng}},
publisher = {{Patrik Wahlberg, Department of Applied Electronics, Lund University, P.O. Box 118, S-221 00 Lund, Sweden,}},
school = {{Lund University}},
title = {{On methods for pattern recognition with application to epileptic electroencephalograms}},
year = {{1999}},
}