G5 Artikkeliväitöskirja
Extracting meaningful EEG features using constrained tensor decomposition (2019)


Wang, Deqing (2019). Extracting meaningful EEG features using constrained tensor decomposition. JYU dissertations, 169. Jyväskylä: Jyväskylän yliopisto. http://urn.fi/URN:ISBN:978-951-39-7968-3


JYU-tekijät tai -toimittajat


Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Wang, Deqing

eISBN: 978-951-39-7968-3

Lehti tai sarja: JYU dissertations

eISSN: 2489-9003

Julkaisuvuosi: 2019

Sarjan numero: 169

Kirjan kokonaissivumäärä: 1 verkkoaineisto (61 sivua, 33 sivua useina numerointijaksoina, 16 numeroimatonta sivua)

Kustantaja: Jyväskylän yliopisto

Kustannuspaikka: Jyväskylä

Julkaisumaa: Suomi

Julkaisun kieli: englanti

Pysyvä verkko-osoite: http://urn.fi/URN:ISBN:978-951-39-7968-3

Avoin saatavuus: Open access -julkaisukanavassa ilmestynyt julkaisu


Tiivistelmä

Elektroenkefalografia (EEG) on tehokas tapa tutkia ja mitata ihmisaivojen toimintaa ja edistää kognitiivista neurotiedettä. EEG-mittauksilla saatu data tallennetaan yhä yleisemmin moniuloitteisiin tietorakententeisiin eli tensoreihin. Hajottamalla tensori sen tekijöihin voidaan tutkia monikanavaista dataa ja irrottaa siitä ne EEGtekijät, jotka liittyvät kognitiivisiin prosesseihin. Koska EEG-tensoreissa on usein paljon data-alkioita monissa ulottuvuuksissa, oleellisten data-alkioiden irrottamiseen tarvitaan tehokas algoritmi tensorin tekijöiden hajottamiseen. Lisäksi EEGtensorit ovat joskus ei-negatiivisia ja erottamattomasti rakenteeltaan harvoja. Jotta tensorista voitaisiin irrottaa oleelliset piirteet, tensorin hajottamiseen soveltuvaan algoritmiin tulee liittää rajoitteita ja säännönmukaistamista. Tässä väitöskirjassa tutkitaan CANDECOMP/PARAFAC (CP) hajoittamismenetelmää, joka sisältää sekä ei-negatiivisen rajoituksen että harvan säännönmukaistamisen (sparse NCP). Epäkonveksin harvan säännönmukaistamisen ongelman ratkaisuun käytetään epäeksaktia koordinaattiakselien suuntaisen optimoinnin viitekehystä (block coordinate descent). Harvaan säännönmukaistamiseen käytetään viittä seuraavaa optimointimenetelmää: MU (multiplicative update), ANLS/ANQP (altering nonnegative least squares/quadratic programming), HALS (hierarchical altering least squares), APG (alternating proximal gradient) ja ADMM (alternating direction method of multipliers), joista jokainen on tarkoin suunniteltu harvan säännönmukaistamisen ongelmaan. Stabiliteetin parantamiseksi hyödynnetään ANLS/ANQP- ja HALS-menetelmissä myös nk. lähialgoritmia. Menetelmiä evaluoitiin todellisilla EEG-aineistoilla. Ensinnäkin NCP:tä käytettiin hajottamaan viidennen asteen herätevastetensori (event-related potential, ERP), joka oli koottu ihmiskäden asentoaistiärsykkeistä. Toisekseen harvaa NCP:tä käytettiin analysoimaan meneillään olevan EEG-mittauksen tuottamia tensoreita, jotka kuvasivat luonnollisia ja jatkuvia, musiikinkuuntelun aiheuttamia ärsykkeitä. Kolmanneksi analysoitiin kahden meneillään olevan EEG-mittauksen tuottamia tensoreita käyttämällä N-PLS-menetelmää. Suunniteltujen menetelmien avulla voidaan tehokkaasti hajottaa monimutkaista tensoridataa sen tekijöihin ja irrottaa kognitiivisiin prosesseihin liittyviä EEG-tekijöitä.


YSO-asiasanat: EEG; signaalinkäsittely; signaalianalyysi; algoritmit; kognitiivinen neurotiede

Vapaat asiasanat: tensor decomposition; nonnegative CANDECOMP/PARAFAC; sparse regularization; block coordinate descent; EEG data analysis


Liittyvät organisaatiot


OKM-raportointi: Kyllä

Raportointivuosi: 2019


Viimeisin päivitys 2020-09-07 klo 11:51