Quantitative analysis of EEG signals: Time-frequency methods and ...

More documents

Recommendations

Info

Zusammenfassung Seitdem 1929 die ersten EEGs von Menschen abgeleitet wurden, hat sich das EEG zu einem der wichtigsten diagnostischen Hilfsmittel in der klinischen Neurophysiologie entwickelt. Bis jetzt beruht die EEG-Analyse jedoch weitgehend auf der visuellen Inspektion der EEG-Aufzeichnungen. Dieses Auswertungsverfahren ist sehr subjektiv und und erschwert statistische Auswertung und Standardisierung. Daher wurden mehrere Methoden vorgeschlagen, um die im EEG enthaltene Information quantitativ zu erfassen. Unter diesen Verfahren hat sich die Fourier-Transformation als ein sehr nutzliches Hilfsmittel erwiesen. Diese kann die Frequenzkomponenten des EEG-Signals charakterisieren und hat klinische Bedeutung erlangt. Die Fourier-Transformation hat jedoch einige Nachteile, die ihre Anwendung einschranken. Daher sind andere Methoden erforderlich, um verborgene Information aus dem EEG zu gewinnen. In dieser Arbeit habe ich Methoden zur Analyse verschiedener Arten von EEG- Signalen beschrieben, erweitert und vergliechen, und zwar (1) Zeit-Frequenz-Methoden (Gabor- und Wavelet-Transformation) und (2) Methoden der Chaos-Analyse (Attraktor- Rekonstruktion, Korrelations-Dimension, Lyapunov-Exponent). Diese Methoden lieferten hinsichtlich der Quellen und der Dynamik von Grand-Mal- Anfallen neue Information, die mit konventionellen Methoden schwierig zu erhalten war. Wahrend Grand-Mal-Anfallen herrschten alpha (8 ; 15Hz) und theta (4 ; 7Hz)Rhythmen vor, die spater langsamer wurden, was in Beziehung zum Beginn der klonischen Phase stand. Die Dynamik der Gehirn-Oszillationen in dieser Phase ist von Interesse im Hinblick auf Prozesse neuronaler Ermudung, auf ein Ungleichgewicht der Neurotransmitter, auf Ahnlichkeit mit Tierversuchen und auf Computer-Simulationen. Analysen mithilfe der Chaos-Theorie zeigten, da Parameter wie die Korrelations-Dimension oder der Lyapunov-Exponent abnahmen (diese Parameter charakterisieren die Komplexitat und die Chaotizitat des Signals). Diese Ergebnisse zeigten einen Ubergang zu einem einfacheren System im Verlauf des epileptischen Anfalls. Um grundlegende Eigenschaften von Gehirn-Oszillationen zu untersuchen, habe ich ereigniskorrelierte Potentiale (also Veranderungen des EEG aufgrund externer oder interner Reize) analysiert, und zwar mit neueren Methoden der Zeit-Frequenz-Analyse. In diesem Zusammenhang zeigte die Untersuchung ereigniskorrelierter Alpha-Oszillationen (also der Alpha-Komponenten ereigniskorrelierter Potentiale) eine topographische Verteilung mit signikanten Latenz-Unterschieden zwischen anterioren und posterioren Elektroden. Dies legte nahe, da diese ereigniskorrelierten Alpha-Oszillationen an multiplen Orten entstehen. Ferner wiesen (a) die Unabhangigkeit der Alpha-Antworten von der Bearbeitung einer kognitiven Aufgabe, (b) das deutlichste Auftreten dieser Antworten iii
an okzipitalen Positionen und (c) die kurze Latenz dieser Antworten auf eine Beziehung zwischen ereigniskorrelierten Alpha-Oszillationen und primar-sensorischer Verarbeitung hin. Die Untersuchung von Antworten auf bimodale Reize (simultane auditorische und visuelle Stimulation) zeigte eine signikante Zunahme der Amplitude im Vergleich mit unimodalen Reizen. Demzufolge war es moglich, eine Beziehung zwischen Gamma (30 ; 60Hz) Oszillationen und einem Proze anzunehmen, der die Information tragt, da zwei sensorische Wahrnehmungen (im Rahmen der bimodalen Stimulation) zu ein und demselben Reiz gehoren. Insbesondere ist diese Arbeit die erste Untersuchung, in der die neue Methode Wavelet-Entropie fur die Analyse ereigniskorrelierter Potentiale angepat und angewendet wurde. In ereigniskorrelierten Potentialen gehen signikante Abnahmen der Wavelet-Entropie mit einer kognitiven P300-Antwort einher. Dies zeigte, da diese P300-Antwort mit einer Ordnung der spontanen EEG-Oszillationen assoziert ist. iv
Page 1 and 2: Quantitative analysis of EEG signal
Page 3: 1. Berichterstatter: Prof. Dr.-Ing.
Page 8 and 9: To my family: Mama, Consuelo, Hugui
Page 10 and 11: Preface In this work, I will descri
Page 12 and 13: I would certainly like to remember
Page 14 and 15: Contents Zusammenfassung Preface Ac
Page 16 and 17: 5.2.6 Calculating Lyapunov Exponent
Page 18 and 19: Summary Since the rsts recordings i
Page 20 and 21: 1 Outline of Neurophysiology: Brain
Page 22 and 23: Figure 2: Normal 20 channels (10-20
Page 24 and 25: 1.1.2 EEG in Epilepsy One important
Page 26 and 27: Figure 3: Scalp EEG of 18 channels
Page 28 and 29: Figure 4: Averaged responses upon N
Page 30 and 31: 2 Fourier Transform 2.1 Introductio
Page 32 and 33: I xx (k) =jX(k)j 2 = X(k) X (k) (
Page 34 and 35: 17 Figure 5: Topographical mapping
Page 36 and 37: 1987) is that coherence gives the c
Page 38 and 39: 3 Gabor Transform (Short Time Fouri
Page 40 and 41: where k g D k= R 1 ;1 jg D(t 0 )j 2
Page 42 and 43: and the band maximum peak frequency
Page 44 and 45: Figure 7: Intracraneal seizure reco
Page 46 and 47: Figure 10: Mean (soft line) and max
Page 48 and 49: EEG as the one with least amount of
Page 50 and 51: Figure 11: Scalp EEG of the right c
Page 52 and 53: 3.5 Conclusion In this chapter I de
Page 54 and 55:
Original signal FOURIER TRANSFORM G
Page 56 and 57:
4.2.3 Multiresolution Analysis Cont
Page 58 and 59:
Original signal -15 0 15 -1sec 0 1s
Page 60 and 61:
4.2.5 Wavelet Packets In the approa
Page 62 and 63:
marked decrease in computational ti
Page 64 and 65:
ain activity during an epileptic se
Page 66 and 67:
3 2 3 3 3 3.2 Hz 3.6 Hz 4.0 Hz 4.4
Page 68 and 69:
Silva et al.,1973a,1973b Lopes da S
Page 70 and 71:
sweep #1 sweep #2 sweep #3 sweep #4
Page 72 and 73:
VEP non-target target F3 F4 F3 F4 F
Page 74 and 75:
VEP non-target target F3 F4 F3 F4 F
Page 76 and 77:
Electrode F3 F4 Cz P3 P4 O1 O2 Dela
Page 78 and 79:
In conclusion, our results point to
Page 80 and 81:
63 Figure 22: Gamma responses for a
Page 82 and 83:
Figure 24: T-test comparison of the
Page 84 and 85:
wavelet coecients allowed an easy d
Page 86 and 87:
the position vs. the linear momentu
Page 88 and 89:
unknown topology it is necessary to
Page 90 and 91:
the sum of the positive exponents (
Page 92 and 93:
performed. On one hand, must be lar
Page 94 and 95:
Duke (1992) and Elbert et al. (1994
Page 96 and 97:
agation time. They applied this pro
Page 98 and 99:
Figure 28: Histogram for the EEG da
Page 100 and 101:
Figure 29: Attractors corresponding
Page 102 and 103:
able for automatic detection proces
Page 104 and 105:
ENTROPY Thermodynamics Signal analy
Page 106 and 107:
6.3 Application to visual event-rel
Page 108 and 109:
VEP Non Target Target F3 -20 -10 0
Page 110 and 111:
1 VEP NON-TARGET TARGET 1 1 F3 F3 0
Page 112 and 113:
1 VEP NON-TARGET TARGET 1 1 F3 F3 0
Page 114 and 115:
and the Lorenz equations (a model o
Page 116 and 117:
P300 deection. Due to the relation
Page 118 and 119:
7 General Discussion In this chapte
Page 120 and 121:
Wavelet analysis was also applied t
Page 122 and 123:
aect the whole spectrum and for thi
Page 124 and 125:
peaks. 7.2.3 Wavelet Transform vs.
Page 126 and 127:
the ones having wide peaks (being t
Page 128 and 129:
A Time-frequency resolution and the
Page 130 and 131:
Z 1 ;1 tx(t) d dt x(t) dt = 1 2 Z 1
Page 132 and 133:
Figure 37: Time-frequency resolutio
Page 134 and 135:
References Abarbanel HDI, Brown R,
Page 136 and 137:
Berger, H. Uber das Elektrenkephalo
Page 138 and 139:
Gastaut H and Broughton R. Epilepti
Page 140 and 141:
Lopes da Silva FH, van Lierop THMT,
Page 142 and 143:
Pradhan N, Sadasivan P, Chatterji S
Page 144 and 145:
Serrano E, Ph.D. Thesis, Department
Page 146:
Biographical sketch 21.03.1967 born
show all

Quantitative analysis of EEG signals: Time-frequency methods and ...

Create successful ePaper yourself

Delete template?

Save as template?