gms | German Medical Science

51. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (gmds)

10. - 14.09.2006, Leipzig

Verteilung ordinaler Muster in EEG-Daten

Meeting Abstract

Search Medline for

  • Karsten Keller - Universität zu Lübeck, Lübeck
  • Mathieu Sinn - Universität zu Lübeck, Lübeck

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (gmds). 51. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. Leipzig, 10.-14.09.2006. Düsseldorf, Köln: German Medical Science; 2006. Doc06gmds334

The electronic version of this article is the complete one and can be found online at: http://www.egms.de/en/meetings/gmds2006/06gmds208.shtml

Published: September 1, 2006

© 2006 Keller et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Einleitung und Fragestellung

Die ordinale Zeitreihenanalyse [1], [2], [3], [4] ist ein neuer viel versprechender Zugang zur qualitativen Untersuchung langer und komplexer Zeitreihen. Die Idee dahinter besteht darin, anstelle der Werte einer Zeitreihe die Ordnungsrelation zwischen den Werten zu betrachten. Grob gesprochen wird also nur noch das Auf und Ab in einer Zeitreihe betrachtet und die urprüngliche Amplituteninformation vernachlässigt. Dieses Verfahren ist robust gegenüber Rauschen und kann mittels schneller Algorithmen realisiert werden. Hier soll untersucht werden, inwieweit die Idee der ordinalen Zeitreihenanalyse für die automatische Detektion, Analyse und Klassifikation epileptischer Aktivität genutzt werden kann.

Methoden und Daten

Der Ansatz der ordinaler Zeitreihenanalyse geht zurück auf Bandt und Pompe [2]. In einer gegebenen Zeitreihe werden ordinale Muster betrachtet, die zu jedem Zeitpunkt die Ordnungsrelationen zwischen dem aktuellen Wert und einer festen Anzahl äquidistanter Werte in der Vergangenheit beschreiben. Die Anzahl der jeweils in der Vergangenheit betrachteten Werte wird als Ordnung bezeichnet, die Distanz zwischen ihnen als Delay. Diese Parameter sind “verstellbar” und liefern ordinale Information unterschiedlicher Tiefe und auf unterschiedlichen Skalen (siehe [3]). Eine Möglichkeit der Nutzung dieser ordinalen Information sind die Analyse und der Vergleich von Verteilungen ordinaler Muster in Zeitreihen bzw. in Teilen von Zeitreihen. Auf der Basis ordinaler Musterverteilungen führen Bandt und Pompe [2] die Permutationsentropie als ein Maß für die Komplexität von Zeitreihen ein. Neben diesem auch theoretisch fundamentierten Ansatz (siehe [5]) werden in [4] einfache ordinale Maßzahlen betrachtet, die ein interessantes weiter zu diskutierendes Potenzial für die “ordinale” Modellierung von Zeitreihen haben.

Hier wird der Schwerpunkt auf die Visualisierung und die Clusterung von ordinalen Musterverteilungen gelegt. Hintergrund der Visualisierung ist eine geeignete Kodierung ordinaler Muster. Bei der Clusterung geht es insbesondere darum, Abschnitte von EGG’s nach der Ähnlichkeit ihrer ordinalen Musterverteilung zu klassifizieren. Die Methoden werden zur explorativen Analyse und Klassifikation verschiedener EEG-Daten mit Fokus auf epileptische Aktivität angewendet. Im Zentrum der Diskussion stehen verschiedene Clustermethoden und Abstandsbegriffe für ordinale Musterverteilungen unter Berücksichtigung von Ordnung und Delay.

Ergebnisse und Diskussion

Die Ergebnisse der Untersuchungen zeigen, dass die Betrachtung von ordinalen Musternverteilungen sehr gute Möglichkeiten liefert, Einsichten in insbesondere hochdimensionale und umfangreiche EEG-Daten zu gewinnen. Besonders die betrachteten Clustermethoden erlauben eine übersichtliche gleichzeite Visualisierung markanter Strukturen in den verschiedenen parallelen Komponenten eines oder mehrerer EEG’s. Teilweise zeigt sich, dass sich mit bestimmten epileptischen Anfällen assozierte Cluster in sehr differenzierter Weise auch über andere EEG-Teile ausdehnen. Das könnte interessante Indikatoren für epiletische Aktivität liefern. Die betrachteten Methoden scheinen für eine Top-Down-Analyse umfangreicher EEG-Daten gut geeignet zu sein. Um ihr Potenzial vollausschöpfen zu können, müssen sie selbstverständlich mit anderen Analysemethoden kombiniert werden.


Literatur

1.
Bandt C. Ordinal time series analysis, Ecological modelling. 2005;182: 229-238.
2.
Bandt C, Pompe B. Permutation entropy: A natural complexity measure for time series. Phys Rev Lett. 2002;88:174102.
3.
Keller K, Lauffer H, Symbolic analysis of high-dimensional time series, Int J Bifurcation Chaos. 2003;13:2657-2668.
4.
Keller K, Lauffer H, Sinn M. Ordinal analysis of EEG time series, Lübeck 2005, erscheint in Chaos and Complexity Letters.
5.
Bandt C, Keller G, Pompe B. Entropy of interval maps via permutations, Nonlinearity. 2002;15 :1595-1602.