Titelaufnahme

Titel
Nonstationary autoregressive modeling for epileptic seizure propagation analysis / Andreas Graef
VerfasserGraef, Andreas
Begutachter / BegutachterinDeistler, Manfred
Erschienen2008
UmfangXIV, 112 S. : Ill., graph. Darst.
HochschulschriftWien, Techn. Univ., Dipl.-Arb., 2008
SpracheEnglisch
DokumenttypDiplomarbeit
Schlagwörter (DE)Anfallsausbreitung / autoregressive Modellierung / EEG / Epilepsie / Instationrität / Regressionsanalyse / RLS
Schlagwörter (EN)autoregressive modeling / EEG / epilepsy / instationarity / regression analysis / RLS / seizure propagation
URNurn:nbn:at:at-ubtuw:1-28650 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Nonstationary autoregressive modeling for epileptic seizure propagation analysis [6.51 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

In dieser Diplomarbeit wird eine neuartige Methode zur Charakterisierung von Kopplungseffekten in instationären multivariaten EEG(ECoG)-Signalen vorgestellt. Diese erlaubt, die raum-zeitliche Entwicklung von Synchronisationseffekten, die für epileptische Anfälle charakteristisch sind, zu visualisieren. Im Gegensatz zu vielen existierenden Methoden wird keine Vorselektion von Kanälen benötigt um stabile Resultate zu erhalten, was für klinische Anwendungen, z.B. in der prächirurgischen Diagnostik, entscheidend ist.

Die vorgestellte Methode basiert auf einer linearen raum-zeitlichen Regression, die für jeden Zielkanal separat durchgeführt wird. Hierbei bestimmt ein Kanalselektionsalgorithmus eine optimale örtliche Nachbarschaft vor der eigentlichen Berechnung der Regression, wohingegen die konstante zeitliche Modellordnung durch Simulationen festgelegt wird. Um mit der in dieser Arbeit statistisch untersuchten Instationarität des Biosignals besser umgehen zu können, wird eine adaptive Schätzung mithilfe des rekursiven Kleinstquadrate-Algorithmus (RLS) durchgeführt. Neben einer Analyse der Regressionsqualität von RLS im Vergleich zu gewöhnlicher Kleinstquadrate-Schätzung (OLS) werden die Eigenschaften des RLS-Algorithmus untersucht.

Basierend auf Varianzen wird ein neuartiges Abhängigkeitsmaß eingeführt, das mit extrinsic-to-intrinsic-power-ratio (EIPR) bezeichnet wird und physiologisch sinnvoll und nützlich ist. Die Visualisierung der räumlich-zeitlichen Ausbreitung dieses Maßes ermöglicht die Beschreibung der Anfallsausbreitung.

Die Resultate der beschriebenen Methode stehen in exzellentem Einklang mit den ärztlichen Befunden.

Zusammenfassung (Englisch)

In this diploma thesis I present a novel method for the characterization of coupling effects in instationary multichannel invasive EEG (ECoG). It allows for the visualization of the spatio-temporal evolution of synchronization effects which are characteristic for epileptic seizures. In contrast to numerous existing methods no channel pre-selection is required in order to obtain stable results, which is crucial for clinical application, e.g. in the pre-surgical evaluation.

The presented method is based on a linear spatio-temporal regression that is performed for each output signal separately. Hereby, a channel selection algorithm determines an optimal spatial neighborhood before the regression is computed, whereas the constant temporal model order is fixed by simulations. Adaptive estimation is done by means of the recursive least-squares (RLS) algorithm in order to cope with the instationarity of the biosignal, which is statistically analyzed.

Besides an analysis of the regression quality of RLS in comparison to ordinary-least squares (OLS) estimation, the properties of the RLS algorithm are examined.

Based on variances a novel measure termed extrinsic-to-intrinsic-power-ratio (EIPR) is introduced, which is physiologically meaningful and valuable. The visualization of the spatio-temporal evolution of this measure allows to track the propagation of the seizure.

The results of the described method are in excellent accordance with descriptions from clinical experts.