Titelaufnahme

Titel
EEG microstate analysis with respect to the severity of Alzheimer's disease / von Lisa-Marie Mohr
VerfasserMohr, Lisa-Marie
Begutachter / BegutachterinScherrer, Wolfgang
Erschienen2014
UmfangXI, 74 S. : Ill., zahlr. graph. Darst.
HochschulschriftWien, Techn. Univ., Dipl.-Arb., 2014
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
DokumenttypDiplomarbeit
Schlagwörter (EN)EEG Analysis / EEG microstates / Alzheimer's disease / clustering / segmentation / regression analysis
URNurn:nbn:at:at-ubtuw:1-69735 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
EEG microstate analysis with respect to the severity of Alzheimer's disease [7.19 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Während der letzten Jahrzehnte ist die Anzahl von Betroffenen der Alzheimer-Krankheit, einer der häufigsten Gründe für Aktivitätseinschränkungen im fortgeschrittenen Alter, rasch angestiegen. Immer öfter wird die Elektroenzephalographie (EEG) verwendet, um die Änderungen in der Informationsverarbeitung des Gehirns im Laufe der fortschreitenden Alzheimer-Erkrankung zu untersuchen und Ergänzungen zur klinischen Diagnostik zu liefern. Im Rahmen dieser Arbeit wird das EEG-Signal als Sequenz von elektrischen Potentiallandschaften mit gleichbleibender Topographie aufgefasst. Diese sogenannten Mikrozustände werden bezüglich ihrer Dauer, ihrer Topographie, ihrem Anteil und ihrem Auftreten analysiert. Diese Auswertung wird für 96 Alzheimer-Patienten der PRODEM-AUSTRIA Datenbank durchgeführt. Dabei wird der Schweregrad der Alzheimer-Krankheit mithilfe des Mini-Mental-State-Examination (MMSE) Score gemessen. Innerhalb dieser Arbeit werden zwei Vorgehensweisen für die Bestimmung der EEG-Mikrozustände vorgestellt. Die erste Herangehensweise bestimmt die Zentren der positiven und negativen Potentialgebiete, um verschiedene Mikrozustände zu unterscheiden und dadurch die EEG-Sequenz zu segmentieren. Die andere verwendet einen modifizierten K-Means Algorithmus, um alle vorkommenden Mikrozustände in eine zuvor bestimmte Anzahl an Klassen zu gruppieren. Die statistische Auswertung besteht ebenfalls aus zwei voneinander unanbhängigen Teilen. Im ersten werden die Daten in Bezug auf den MMSE Score mithilfe der Methode der kleinsten Quadrate analysiert. Im anderen werden die Daten für 79 Patienten bezüglich des MMSE Scores ausgewertet, indem für die Methode der kleinsten Quadrate auch die demographischen Variablen Geschlecht, Alter, Dauer der Alzheimer-Erkrankung und Ausbildungsgrad miteinbezogen werden. Für beide statistischen Vorgehensweisen kann sowohl bei der Segmentierung als auch der Gruppierung keine signifikante Änderung der Charakteristiken der EEG-Mikrozustände im Laufe der fortschreitenden Alzheimer-Erkrankung festgestellt werden. Für die zukünftige Forschung ist die Auswirkung von Longitudinalstudien interessant, da die Grundeigenschaften von EEG-Mikrozuständen von Alzheimer-Patienten sehr stark variieren. Daher könnte das Vergleichen von vergangenen und aktuellen EEG-Aufzeichnungen in Bezug auf die Verschlechterung der Symptome der Alzheimer-Erkrankung und die stärkere Einschränkung eines Patienten neue Erkenntnisse liefern.

Zusammenfassung (Englisch)

The last several decades have witnessed a rapid increase of people suffering from Alzheimer's disease (AD), one of the most popular causes of disability in late-life. More and more frequently, electroencephalography (EEG) is used to investigate the changes in the brain's information processing in the course of AD in order to find supplements for the clinical diagnostics. In this thesis, the EEG signal is considered as a sequence of electric potential landscapes with stable topography. These so-called microstates are analyzed with respect to their duration, topography, ratio and occurrences. The analysis is performed for 96 AD patients of the PRODEM-AUSTRIA database. Thereby, the severity of AD is measured by using the Mini-Mental-State-Examination (MMSE) score. Within this thesis, two approaches for the determination of EEG microstates are presented. The first strategy determines the centroids of the positive and negative potential areas to distinguish different microstates and thereby segment the EEG sequence. The other approach uses a modified K-means algorithm to cluster all occurring microstates into a predetermined number of classes. The statistical evaluation also consists of two independent parts. In the former, the data are analyzed versus MMSE score by using a least squares regression. In the other, the data of 79 patients are evaluated versus MMSE score by using a least squares regression including demographic variables as sex, age, duration of AD and degree of education. For both statistical approaches and the segmentation as well as the clustering procedure, the results could not document a significant change in the characteristics of EEG microstates in the course of AD. For future research, the impact of longitudinal studies is interesting since the basic characteristics of EEG microstates of AD patients vary a lot. The comparing of past and more actual EEG recordings in relation to the worsening of the AD symptoms and the more severe impairment of one patient could therefore be revealing.