Summary
A method of approach to EEG analysis has been proposed which is based upon the concept of similarity. It especially aims at the analysis of the between-subject and within-subject similarity of EEG spectral patterns by means of adaptive procedures. Repeated measurements from the same individual were used as design samples, and new registrations after 14 days were referred to as test samples in order to determine the calibration parameters of the approach. The discrimination between the distributions of between-subject and within-subject similarity coefficients served as the criterion for the optimization algorithm. The optimization was terminated when the discriminating power reached 92% for both design samples and test samples. Accordingly, EEG spectral patterns were found to measure the distinct individuality of the EEG with good precision and to be stable over time.
Consequently, a detailed analysis of the between-subject similarities by evaluating the fine graduations of mutual differences was of special interest. The realization of this idea led to a methodological problem because all basic information existed only in the form of non-metric similarity matrices. The problem was solved by means of a non-metric MDS which led to a geometric representation of the relational data. The final configuration of image points suggested a partitioning into 4 natural groupings comprising about ¾ of the samples. The remaining measurements were either isolated elements or formed smaller clusters whose relevance remained undecided. Contrary to traditional EEG classifications, this approach provided not only abstract clusters but also the positions of patterns within clusters and the relative positions of clusters to each other. The latter seems to be important in connection with the analysis of reactive changes in the human EEG, particularly because other investigations have shown that the effects of centrally acting substances are highly dependent upon the specific type of EEG.
Es wurde ein methodischer Ansatz zur EEG-Analyse vorgeschlagen, der auf einem Ähnlichkeitskonzept basiert. Im Mittelpunkt des Interesses stand die Auswertung der inter- und intraindividuellen Ähnlichkeit von EEG-Spektralmustern mittels adaptiver Verfahren. Wiederholte Messungen am gleichen Individuum dienten dabei als Eichstichprobe zur Bestimmung der freien Parameter des Verfahrens, während eine zweite Messung nach 14 Tagen als Teststichprobe zur Überprüfung der Reproduzierbarkeit der Ergebnisse herangezogen wurde. Als Zielfunktion der Optimierung diente die Trennschärfe zwischen den Verteilungen der inter-und intra-individuellen Ähnlichkeitskoeffizienten. Aufgrund der erreichten Trennschärfe von 92% ergab sich, daß EEG-Spektralmuster nicht nur die ausgeprägte Individualität des EEG gut erfassen, sondern auch stabil über die Zeit sind. Die sich anschließende detaillierte Analyse der inter-individuèllen Ähnlichkeiten führte zu einem methodischen Problem, da die Ausgangsinformationen in Form nichtmetrischer Matrizen vorlagen. Das Problem konnte mit Hilfe einer nichtmetrischen MDS gelöst werden, die eine geometrische Darstellung der Daten lieferte. Es ergab sich eine Konfiguration von Punkten, die eine Partitionierung des Bildraumes in 4 Gebiete nahelegte. Die entsprechenden Gruppierungen umfaßten ¾ der Messungen, die übrigen Elemente lagen entweder isoliert oder bildeten Kleinstgruppen. Es ist wichtig darauf hinzuweisen, daß das verwendete Verfahren nicht nur abstrakte Cluster liefert, sondern auch die Lage eines Punktes innerhalb eines Clusters wie auch die Lage der Cluster zueinander bestimmt. Dies erscheint im Hinblick auf die Auswertung reaktiver Veränderungen im EEG aufgrund zentral wirkender Substanzen von besonderer Wichtigkeit, da frühere Auswertungen die Abhängigkeit solcher Veränderungen von der jeweiligen EEG-Variante vermuten lassen.
Key-words:
EEG - Individuality - Genetic Determination - Classification
Schlüssel-Wörter:
EEG - Individualität - genetische Bestimmung - Klassifikation
