Verbesserte Strukturierung von vorsegmentierten EEG-Abschnitten durch Clusterbildung mit globaler Optimierung. Eine methodische Studie

Summary

The automatic pattern classification in EEG recordings realized by the subsequent processing steps of segmentation, feature extraction and classification, is one opportunity for the realization of decision supporting systems in computer-assisted EEG analysis. As a rule cluster algorithms are used as classifiers (explorative approach). The aim of this study is to replace local optimizing cluster algorithms by a cluster approach with global optimization. This results in a definite and reproducible classification of EEG segments in single recording channels. It can be shown that on the basis of such optimal classification more precise decision making is possible.

Zusammenfassung

Die automatische Musterklassifikation von EEG-Registrierungen, realisiert durch die Verarbeitungsstufen Segmentierung, Merkmalextraktion und Klassifikation, ist eine Möglichkeit der Umsetzung Entscheidungsunterstützender Auswertestrategien in der rechnergestützten EEG-Analyse. In der Regel wird als Klassifikator ein Clusterverfahren (explorativer Ansatz) verwendet. Ziel dieser Studie ist es, die bisher verwendeten lokal optimierenden Clusterverfahrens (z.B. K-Means-Algorithmus) durch eine Clusterbildung mit globaler Optimierung zu ersetzen. Das Ergebnis ist, im Gegensatz zur bisherigen Strategie, eine eindeutige, reproduzierbare Klasseneinteilung von Einzelkanal-EEG-Abschnitten. Es kann gezeigt werden, daß auf der Grundlage einer optimalen Klasseneinteilung eine präzisere Entscheidungsfindung ermöglicht wird.

Key words:

Automatic pattern classification - EEG - Segmentation - Feature extraction - Classification - Optimal clustering