Bayesian reduced rank regression for assessment of age and cognition related effects on stable patterns in EEG recordings
Loading...
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2022-03-21
Department
Major/Subject
Machine Learning, Data Science and Artificial Intelligence
Mcode
SCI3044
Degree programme
Master’s Programme in Computer, Communication and Information Sciences
Language
en
Pages
46+6
Series
Abstract
Increasing incidence of dementias due to the globally ageing population sets new demands for accessible diagnostics. Widely available electroencephalography (EEG) combined to machine learning techniques has been shown to have utility in early dementia detection. EEG recordings are additionally known to exhibit longitudinally stable properties over a time period of months to years. Widespread degenerative changes in the brain associated to normal ageing and especially to dementia is hypothesized to have an effect on the stability of EEG. This thesis examined age and cognition related effects on the stability of EEG recordings utilizing a probabilistic latent variable model termed Bayesian reduced rank regression (BRRR). The model was applied to power spectral features of EEG recordings from a dataset of 42 healthy subjects with two repeated measurements each. The low-dimensional stable representations obtained by the BRRR model achieved better stability metrics compared to the use of dimension reduction with probabilistic principal component analysis (PPCA) or full data without dimension reduction. Age and cognitive test scores were used as surrogate variables for degenerative changes in the brain, but neither had any clearly observable effect on the stability measures defined as the within-subject distances in the stable subspace. Reconstruction errors for the individual EEG recordings were additionally examined to assess their conformity to the stable correlation structures learnt by the model, but no apparent correlation between the errors and the age or cognitive performance of the subjects was observed. A major data related limitation of the study was the subjects' relatively young age range of 17--71 years and the lack of diagnosed dementia cases, requiring the use of weaker surrogate variables instead. Further studies on dementia and the stability of EEG with more extensive dataset are recommended for more conclusive analysis.Dementian ilmaantuvuus kasvaa väestön ikääntyessä maailmanlaajuisesti, mikä lisää tarvetta helposti saavutettavissa oleville diagnostisille menetelmille. Aivosähkökäyrä (elektroenkefalografia, EEG) yhdistettynä koneoppimistekniikoihin on osoittautunut lupaavaksi mentelmäksi alkavan dementian havaitsemisessa. Kuukausien ja vuosien aikavälillä toistettujen aivosähkökäyrämittauksien tiedetään lisäksi ilmentävän ajan suhteen stabiileja piirteitä. Tässä tutkielmassa selvitetään dementiaan ja ikääntymiseen liittyvien laaja-alaisten rappeuttavien muutoksien mahdollista vaikutusta aivosähkökäyrän stabiileihin ominaisuuksiin. Tutkimusmetodin pohjana käytetään Bayesian reduced rank regression (BRRR) -menetelmää, jonka avulla aivosähkökäyrän tehospektrin stabiileja piirteitä mallinnetaan piilomuuttujien avulla. Tutkimusdata koostuu 42 terveeltä tutkimushenkilöltä kahdesti mitatuista aivosähkökäyristä. Toteutettu BRRR-malli tuotti erilaisten mittareiden perusteella stabiilimpeja kuvauksia aivosähkökäyristä kuin vertailukohtana käytetyt yksinkertaisemmat mallit. Stabiileja ominaisuuksia ilmentävien piilomuuttujien etäisyyksillä toistettujen mittausten välillä voidaan arvioida aivosähkökäyrän stabiiliutta yksilökohtaisesti. Aivojen rappeuttavia muutoksia kuvaavina sijaismuuttujina käytettiin ikää ja kognitiivisen toimintakyvyn mittareita, mutta tässä tutkimuksessa näillä ei havaittu olevan yhteyttä yksilökohtaiseen aivosähkökäyrän stabiiliuteen. Myöskään mallin tuottamia jäännösvirheitä analysoidessa ei havaittu yhteyttä edellä mainittujen muuttujien suhteen. Suurimpia rajoituksia tutkielmalle aiheuttivat tutkimusdatan puutteet ja heikkojen sijaismuuttujien käyttö. Tutkimushenkilöt edustivat suhteellisen nuorta väestöä kokonaisuudessaan (17--71 vuotta) ja iäkkäimpiä henkilöitä oli niukasti. Tutkimusjoukkoon ei myöskään sisältynyt diagnosoituja dementiapotilaita. Varmempien johtopäätösten tekemistä varten aiheen jatkotutkimusta suositellaan kattavammalla tutkimusdatalla.Description
Supervisor
Kaski, SamuelThesis advisor
Merz, SusanneKeywords
Bayesian reduced rank regression, electroencephalography, stable pattern, dementia
