Evaluation of non-stationary signal processing methods for binary EEG classification
(2022) In Master's Theses in Mathematical Sciences MASM02 20222Mathematical Statistics
- Abstract
- Electroencephalogram (EEG) measurements are notoriously noisy and non-stationary and there are several specialized techniques for their analysis and interpretation. In this thesis, we implement a collection of stationary and non-stationary methods including coherence, Phase Locking Value (PLV), Phase Lag Index (PLI), and their imaginary counterparts. In particular, we use the Singular Spectrum Decomposition (SSD) algorithm to decompose each recording into interpretable components before computing a variation of the PLV. All methods are evaluated on simulated EEG data in relation to two research questions; one, how well do they manage to detect whether a subject is presented with a stimulus, and two, given that an auditory stimulus is... (More)
- Electroencephalogram (EEG) measurements are notoriously noisy and non-stationary and there are several specialized techniques for their analysis and interpretation. In this thesis, we implement a collection of stationary and non-stationary methods including coherence, Phase Locking Value (PLV), Phase Lag Index (PLI), and their imaginary counterparts. In particular, we use the Singular Spectrum Decomposition (SSD) algorithm to decompose each recording into interpretable components before computing a variation of the PLV. All methods are evaluated on simulated EEG data in relation to two research questions; one, how well do they manage to detect whether a subject is presented with a stimulus, and two, given that an auditory stimulus is present in one of the subject's two ears, how well can they determine the side. To measure performance, we train three classification algorithms on features extracted from the above-mentioned methods. We find that the imaginary coherence and imaginary PLV are the best predictors for answering research question two by estimating the sign of the phase difference, whereas the SSD algorithm yields the most important feature for stimulus detection. Lastly, we apply our methods to two sets of real EEG data where it is confirmed that imaginary coherence counteracts volume conduction. In addition, all classification algorithms perform more or less the same but the best one manages to predict the presence of an auditory stimulus with 68.7% accuracy, and the side that the stimulus originated in with 55.1% accuracy. (Less)
- Popular Abstract (Swedish)
- Elektroencefalografi (EEG) är en metod för att mäta hjärnans aktivitet genom att placera elektroder i hårbotten på en individ. Metoden är noninvasiv, relativt billig samt enkel att implementera, och är därför populär inom både forskning och medicin. EEG kan exempelvis användas för tankestyrning av robotproteser, känsloanalys, samt diagnostisering av olika sjukdomstillstånd såsom epilepsi.
För att avgöra om det finns ett samband mellan olika områden i hjärnan vid bearbetning av information, så som ljud, analyserar forskare ofta relationen mellan två elektroder. Om ett sådant sammanband existerar borde de två mätningarna vara fas kopplade, vilket innebär att det finns en konstant tidsfördröjning under tiden information bearbetas. Att... (More) - Elektroencefalografi (EEG) är en metod för att mäta hjärnans aktivitet genom att placera elektroder i hårbotten på en individ. Metoden är noninvasiv, relativt billig samt enkel att implementera, och är därför populär inom både forskning och medicin. EEG kan exempelvis användas för tankestyrning av robotproteser, känsloanalys, samt diagnostisering av olika sjukdomstillstånd såsom epilepsi.
För att avgöra om det finns ett samband mellan olika områden i hjärnan vid bearbetning av information, så som ljud, analyserar forskare ofta relationen mellan två elektroder. Om ett sådant sammanband existerar borde de två mätningarna vara fas kopplade, vilket innebär att det finns en konstant tidsfördröjning under tiden information bearbetas. Att identifiera faskopplingar är ett viktigt verktyg i den matematiska analysen av hjärnsignaler som kräver avancerade algoritmer och metoder. En del metoder har idag svårt att separera sanna samband från falska, då det finns en risk att två elektroder mäter samma signal. Detta kan exempelvis ske om elektroderna är placerade nära varandra, och kallas för volume conduction.
Den här uppsatsen jämför och utvärderar olika signalbehandlingsmetoder som är lämpliga vid EEG analyser. Majoriteten av metoderna baseras på fasskillnaden mellan två hjärnsignaler. Flera av metoderna är även framtagna för att hantera volume conduction. Samtliga metoder appliceras först på simulerad data, för att säkerställa deras förmågor, innan de appliceras på två riktiga EEG mätningar. Samtliga metoder undersöks i förhållande till två frågeställningar: 1. Hur bra kan metoden avgöra om en person exponeras för en visuell eller auditiv simulus? 2. Givet att en person får höra ett ord i ett av sina öron, hur väl kan metoden urskilja vilket öra?
Sammanfattningsvis är det lättare att besvara frågeställning ett än två för både simulerad och riktig EEG data. Den bästa metoden för att avgöra närvaron av en stimulus är intressant nog inte baserad på fasskillnaden utan energiskillnaden mellan två signaler. Volume conduction metoderna är de bästa på att avgöra vilket öra som ordet sas i, och klarar även av att identifiera volume conduction. Slutligen, på riktig EEG data klarar den bästa kombinationen av metoder av att avgöra om en stimulus är närvarande i 68.7% av fallen, samt avgöra rätt öra i 55.1% av fallen. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9104131
- author
- Ledell, Amanda LU
- supervisor
- organization
- course
- MASM02 20222
- year
- 2022
- type
- H2 - Master's Degree (Two Years)
- subject
- publication/series
- Master's Theses in Mathematical Sciences
- report number
- LUNFMS-3117-2022
- ISSN
- 1404-6342
- other publication id
- 2022:E78
- language
- English
- id
- 9104131
- date added to LUP
- 2022-12-22 09:37:03
- date last changed
- 2023-01-17 14:30:58
@misc{9104131,
abstract = {{Electroencephalogram (EEG) measurements are notoriously noisy and non-stationary and there are several specialized techniques for their analysis and interpretation. In this thesis, we implement a collection of stationary and non-stationary methods including coherence, Phase Locking Value (PLV), Phase Lag Index (PLI), and their imaginary counterparts. In particular, we use the Singular Spectrum Decomposition (SSD) algorithm to decompose each recording into interpretable components before computing a variation of the PLV. All methods are evaluated on simulated EEG data in relation to two research questions; one, how well do they manage to detect whether a subject is presented with a stimulus, and two, given that an auditory stimulus is present in one of the subject's two ears, how well can they determine the side. To measure performance, we train three classification algorithms on features extracted from the above-mentioned methods. We find that the imaginary coherence and imaginary PLV are the best predictors for answering research question two by estimating the sign of the phase difference, whereas the SSD algorithm yields the most important feature for stimulus detection. Lastly, we apply our methods to two sets of real EEG data where it is confirmed that imaginary coherence counteracts volume conduction. In addition, all classification algorithms perform more or less the same but the best one manages to predict the presence of an auditory stimulus with 68.7% accuracy, and the side that the stimulus originated in with 55.1% accuracy.}},
author = {{Ledell, Amanda}},
issn = {{1404-6342}},
language = {{eng}},
note = {{Student Paper}},
series = {{Master's Theses in Mathematical Sciences}},
title = {{Evaluation of non-stationary signal processing methods for binary EEG classification}},
year = {{2022}},
}