Hierarchické shlukování dlouhodobých EEG dat

Abstract

Táto diplomová práca sa zaoberá hierarchickou zhlukovou analýzou nad dlhodobými záznamami vytvorenými elektroencefalografom. Cieľom práce je nájsť takú hierarchickú zhlukovú analýzu, ktorá bude používať menej pamäte ako klasický prístup a bude pracovať v rozumnom čase s objemnými dátami. V tejto práci porovnávame aglomeratívnu zhlukovú analýzu, ktorá reprezentuje klasický prístup, oproti dvom ďalším metódam, robustné actívne zhlukovanie a hybridné zhlukovanie. Dendrogram, ktorý vzniká ako výsledok hierarchickej zhlukovej analýzy, môže byť použitý na detekciu rôznych zhlukov reprezentujúcich artefakty v reálnom EEG signály. Na porovnanie navrhovaných metód sú použité rôzne dáta. Jedným druhom použitých dát sú umelo vytvorené, ktoré obsahujú tri jasné zhluky a druhým typom dát sú reálne EEG záznamy zastúpené hypnogramami a komatóznymi dátami. Všetky implementácie boli urobené v MATLABe a výsledky tejto práce budú použité pri vývoji PSGlabu.This master thesis deals with hierarchical cluster analysis on brain activity recordings created by electroencephalograph. The aim of the work is to find a hierarchical clustering method that use less memory than classical approach in the reasonable time for large datasets. In this work the classical approach, Agglomerative Hierarchical clustering, is compared to the two other approaches, Robust Active clustering and Hybrid cluster analysis. Dendrogram generated by the hierarchical clustering can be used to detect various numbers of cluster that represents artifacts in the real EEG signals. Different datasets are used for the complex comparison of the methods. We use artificial datasets with clear clusters and real EEG datasets represented by hypnograms and comatose data. For the implementations and comparisons we use MATLAB. The results of the work will be used in the PSGlab toolbox.