Chaotic time-series analysis

Abstract

Disertační práce je zaměřena na nové metody popisu chování chaotických časových řad a na zlepšení tradičních přístupů pomocí korekce na opakované testování hypotéz nebo robustních a vícerozměrných statistických metod. Vyvinuté deskriptory jsou použity ke zpracování vícekanálových EEG dat a jejich efektivita je demonstrována pomocí statistického testování hypotéz, které hodnotí rozdíly mezi pacienty s Alzheimerovou chorobou a pacienty bez neurodegenerativních onemocnění mozku.

The thesis is focused on novel methods describing the behaviour of chaotic time series and how to improve traditional approaches using multiple-testing corrections, robust, and multivariate statistical methods. Developed descriptors are applied to multichannel EEG data, and their efficiency is demonstrated on statistical testing of the differences between patients with Alzheimer's disease and control normals without neurodegenerative diseases.