Valid, sensitive and interpretable : a novel approach to EEG analysis

Abstract

Deutsche Elektroenzephalografie (EEG) ist in der Lage die Gehirnaktivität mit einer zeitlichen Auflösung im Mikrosekundenbereich zu messen. Mit einem Anstieg der Anzahl aufgezeichneter Kanäle kann zusätzlich eine gute räumliche Auflösung erreicht werden. EEG hat eine lange Geschichte in der klinischen Anwendung sowie in der experimentellen Forschung und hat wertvolle Informationen über die Funktionsweisen des Gehirns hervorgebracht. Die jüngsten Fortschritte in den Fähigkeiten der EEG-Aufzeichnungen haben die Frage, wie man die großen Datenmengen des EEGs statistisch auswerten kann, unvermeidlich gemacht.
Die Methode der ‚Grenzwert-freien Cluster-Erweiterung‘ (Threshold-free cluster-enhancement; TFCE) wurde kürzlich als eine überlegene Technik in der Analyse von fMRI-Datensätze präsentiert. In Kombination mit nicht-parametrischen Permutation Statistiken zeigt diese vorliegende Arbeit, dass TFCE auch angewendet werden kann, um EEG-Datensätze zu analysieren. TFCE findet in den Daten über mehrere Schwellenwerte Cluster und kombiniert diese Information mit der Stärke der Signale in diesem Cluster. Dabei werden schwache aber gruppierte Signalen so erhöht, dass sie direkt mit starken fokalen Signalen vergleichbar sind.
Das erste Kapitel gibt einen Überblick über die Vielzahl von derzeit verfügbaren Methoden. Dies umfasst die herkömmlichen Analyse-Techniken, die microstate Analyse, die random field Theorie und Permutations- Ansätze mit Intensitäts- und Cluster-basierten Statistiken. Ein Schwerpunkt liegt in der Erläuterung, weshalb keine dieser Methoden zum gesuchten standardisierten Verfahren geworden ist, obwohl die meisten Methoden sind seit geraumer Zeit zur Verfügung stehen.
Das zweite Kapitel ist eine formelle Präsentation des TFCE Verfahrens beginnend mit der grundsätzlichen Überlegung hinter dem Ansatz, welcher sowohl die statistische Gültigkeit, wie auch die Signalempfindlichkeit für ein breites Spektrum von Signal-Typen maximiert. Der daraus resultierende Ausgang des Verfahrens wird dann zusammen mit dem Ergebnis- Visualisierungsprogramm untersucht, um zu zeigen, wie die Eigenschaften der Analyse zu maximal interpretierbaren Ergebnissen führen. Anschließend werden ideale Gewichtsparameter für die Analyse sowohl theoretisch als auch empirisch anhand von einer Vielzahl von simulierten, aber realistischen, Datensätzen gefunden.
Kapitel drei befasst sich dann mit einem direkten Vergleich zu den Methoden im ersten Kapitel. Dazu werden die simulierten Datensätze aus Kapitel zwei, sowie drei verschiedene Datensätze aus realen experimentellen Settings verwendet. Es wird gezeigt, dass die TFCE Methode mit seinen theoretischen und empirisch abgeleiteten Einstellungen in Bezug auf Empfindlichkeit, getestet unter Beibehaltung einer strengen Kontrolle über die Anzahl von Fehlalarmen, in der Regel besser und konsequenter als alle anderen Methoden arbeitet.
Im vierten Kapitel wird das Verfahren für komplexe experimentelle Designs, welche in diesem Forschungsbereich üblich sind, ausgebaut. Zunächst werden die zusätzlichen Überlegungen von einer rein theoretischer Sicht aus diskutiert, und dann durch eine Analyse von Resultaten eines komplexen Experimentes über die Ausrichtung der visuellen Aufmerksamkeit angewandt. Im letzten Kapitel werden eine Zusammenfassung der Arbeit, sowie mögliche zukünftige Forschungsideen, die zu weiteren Verbesserungen der Fähigkeiten der Methode beitragen könnten, diskutiert.
Der Zweck dieser Arbeit ist das dreifältig. Erstens soll sich der Leser den verschiedenen Schwierigkeiten der EEG-Analyse bewusst werden, sowie die Vor- und Nachteile der bisher vorgeschlagenen Lösungen verstehen. Zweitens soll die TFCE Methode als Alternative präsentiert werden und diese Arbeit soll als Handbuch für Forscher, die mit ähnlichen Problemen konfrontiert sind, dienen. Drittens soll die Überlegenheit der TFCE Methode im Vergleich zu anderen Methoden aufgezeigt, jedoch trotzdem Bereiche identifiziert werden, in welchen sie in zukünftigen Arbeiten verbessert werden könnte. Dissertation – Armand Mensen - 2012