Masterprüfung mit Defensio, Christina Pacher

07.06.2023 15:00 - 16:30

Universität Wien

Besprechungsraum 5.35

Währinger Str. 29

1090 Wien

07.06.2023, 15:00 Uhr

Universität Wien
Besprechungsraum 5.35
Währinger Str. 29
1090 Wien

Titel: „Analysis of an EEG Database of Depression Patients by means
of Graphical Granger Causality“

Kurzfassung:
Diese Masterarbeit ist Teil des internationalen Forschungsprojekts "Learning Synchronization
Patterns in Multivariate Neural Signals for Prediction of Response to Antidepressants". Hierbei
handelt es sich um ein gemeinsames Projekt der Universität Wien, der Tschechischen Akademie
der Wissenschaften und des Nationalen Instituts für psychische Gesundheit der Tschechischen
Republik. Ziel dieses Projekts ist es, den Erfolg von Behandlungsmaßnahmen gegen Depressionen
vorherzusagen, indem Methoden aus den Bereichen Data Mining und Machine Learning auf
EEG-Gehirnstrommessungen angewendet werden.
In dieser Masterarbeit kommt eine auf dem Kriterium der stochastic complexity basierende
Variation von graphical Granger causality zum Einsatz, die 2020 von Hlaváčková-Schindler und
Plant vorgestellt wurde. Mithilfe dieser Methode werden Granger-kausale Graphen aus den
EEG-Daten berechnet. Eine Python-Implementierung dieser Methode wurde im Rahmen dieser
Masterarbeit entwickelt. Die Implementierung legt Fokus auf Benutzerfreundlichkeit und leichte
Erweiterbarkeit und steht auf der Plattform GitHub öffentlich zur Verfügung. Sie kann somit
auch für andere Anwendungen dieser Methode zukünftig eine wertvolle Unterstützung sein.
Mithilfe der neuen Implementierung wurden Feature-Vektoren aus einem Datenset extrahiert,
das EEG-Messungen von 176 Patient*innen mit Depressionen enthält (aufgeteilt in ein Trainingsset
aus 134 und ein Testset aus 42 Patient*innen). Diese Feature-Vektoren wurden in
einer explorativen Analyse als Input für das Klassifizierungsproblem zwischen Behandlungserfolg
und -misserfolg verwendet. Mehrere Varianten wurden erforscht, bei denen z.B. verschiedene
Methoden zur Datenvorverarbeitung zum Einsatz kamen oder unterschiedliche Teilmengen der
vorhandenen Elektroden verwendet wurden. Fünf gängige Klassifizierungsmethoden (support
vector, K nearest neighbors, decision tree, random forest und naive bayes) wurden mithilfe einer
Kreuzvalidierung für die Vorhersage trainiert.
Auf Basis des ursprünglichen Datensets war es nicht möglich, den Behandlungserfolg mit
zufriedenstellender Genauigkeit vorherzusagen: Keine der Klassifizierungsmethoden konnte
die Dummy-Ergebnisse übertreffen, die als Vergleichswert dienten. Die Ergebnisse konnten
verbessert werden, indem das Datenset nach biologischem Geschlecht unterteilt wurde und die
Klassifizierung für männliche und weibliche Patient*innen getrennt durchgeführt wurde. An
dem separaten Test-Datenset ließen sich die Ergebnisse nicht reproduzieren. Dennoch handelt es
sich bei der Tatsache, dass diese Aufteilung das Ergebnis für das Trainings-Datenset verbessern
konnte, um eine wertvolle Erkenntnis, auch in Hinblick auf die weitere Arbeit im Rahmen des
Forschungsprojekts. Weiters bespricht diese Arbeit basierend auf den gewonnenen Erkenntnissen
verschiedene Möglichkeiten, die die Qualität der Ergebnisse verbessern könnten, und setzt neue
Ziele für weiterführende Experimente.
v

Organiser:

SPL 5

Location:

Besprechungsraum 5.35

Währinger Straße 29
1090 Wien