Unsupervised representation learning visualization for brain activity dynamics in REM-sleep

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu | Master's thesis
Date
2024-01-22
Department
Major/Subject
Human Neuroscience and Technology
Mcode
SCI3601
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
58 + 1
Series
Abstract
Sleep is an essential part of well-being. It has a strong influence on individual behavior. There is still not enough information about brain activity during rapid-eye-movement (REM) -sleep that has been associated with psychological conditions, such as stress, anxiety, and depression. Analyzes using machine learning are needed to provide new perspectives on the matter. One of the machine learning methods, representation learning, is feasible candidate for these analyses. This thesis compares two representational unsupervised learning methods: t-distributed stochastic neighbor embedding (t-SNE) and topological data analysis (TDA) Mapper algorithm to visualize dynamic REM-sleep data. The work will review REM-sleep data using brain wave power spectral density (PSD) values from electroencephalogram (EEG). The study investigates the behavior of sleep data and the visual methods' validity. EEG channels and subject identification label information are used to identify data point clusters in the visualized data map with two different datasets. Boxplot and similarity network analysis methods were used to validate the representation learning results. The results showed that the representation learning methods could distinguish the types of EEG channels from each other and find the data points of artifacts created in the measurement. Furthermore, the differences between subjects and the fingerprints of brain waves from REM-sleep data were identified from the methods. The research shows that t-SNE and TDA are suitable methods to identify the behavior of REM-sleep data, especially brain waves. Although the methods show impressive clusters of data points, clusters close to each other must be treated with caution when classifying their similarity. Furthermore, it was noticed that the methods depend on method parameter settings and computing resources. In the future, representation learning methods could be used to preview REM-sleep data or other sleep data before the primary analyses. This would provide for the identification of errors in the results at an early stage.

Uni on olennainen osa hyvinvointia. Sillä on suuri vaikutus yksilön käyttäytymiseen. Vielä ei ole riittävästi tietoja aivojen aktiivisuudesta vilkeunen (REM) aikana, joka on yhdistetty psykologisiin oireisiin, kuten stressiin, ahdistukseen ja masennukseen. Tämän selvittämiseksi tarvitaan analyyseja koneoppimisen avulla. Yksi koneoppimismenetelmistä on esitysoppimismenetelmä, joka tarjoaa kiinnostavan näkökulman unianalytiikkaan. Opinnäytetyössä verrataan kahta ohjaamatonta esitysoppimismenetelmää: t-hajautetun stokastisen naapurin upottamisen (t-SNE) ja topologinen data-analyysi (TDA) menetelmillä REM-unen aikana kerätyn aivodatan visualisoimiseksi. Työssä tarkastellaan REM-unidataa käyttämällä aivoaaltojen tehotiheysspektrivoimakkuuden (PSD) arvoja elektroenkefalogrammista (EEG). Työssä selvitetään unitietojen käyttäytymistä ja arvioidaan visuaalisten menetelmien validiteettia. Datapisteistä muodostettujen joukkojen tunnistamisessa hyödynnetään EEG-kanavia ja koehenkilöiden tunnuksia kohdemuuttujina visuaalisessa datakartassa kahdella eri datasetillä. Analyysimenetelminä käytettiin laatikko-janakuviota ja samankaltaisuusverkostoa esitysoppimistulosten validoimiseksi. Tulokset osoittivat, että esitysoppimismenetelmillä pystyttiin erottamaan EEG-kanavien tyypit toisistaan ja löytämään mittauksessa syntyneiden häiriöiden datapisteet. Lisäksi menetelmistä tunnistettiin koehenkilöiden välisiä eroavaisuuksia ja yksilölliset "sormenjäljet" aivoaaltojen REM-unidatoista. Tutkimus osoittaa, että t-SNE ja TDA ovat sopivia menetelmiä tunnistamaan aivoaaltojen käyttäytymistä REM-unidatasta. Vaikka menetelmissä näkyi datapisteklustereita, klustereiden läheisyydet on suhtauduttava varauksellisesti niiden samankaltaisuuksien luokittelussa. Lisäksi huomattiin, että menetelmiin vaikuttaa niiden parametrien asetukset ja tietokoneen laskentaresurssit. Tulevaisuudessa esitysoppimismenetelmiä voitaisiin käyttää REM-unidatojen tai muiden unidatojen esikatselussa ennen ensisijaisia analyyseja. Tämä mahdollistaisi virheiden tunnistamisen tuloksista varhaisessa vaiheessa.
Description
Supervisor
Deny, Stephane
Thesis advisor
van Vliet, Marijn
Makkonen, Tommi
Keywords
sleep, unsupervised learning, REM, representation learning, brain waves, topological data analysis
Other note
Citation