Hirnstromdaten sind bei der Diagnose und Behandlung epileptischer Anfälle von entscheidender Bedeutung. Diese multivariaten Zeitreihen zeigen während epileptischer Anfälle ein reguläreres Verhalten als in den Nichtanfallsphasen.
Ziel des Projekts war es, zu untersuchen, ob nieder-dimensionale Modelle in Form von Differentialgleichungssystemen an EEG-Daten verschiedener Arten epileptischer Anfälle anpassbar sind, und gegebenenfalls Charakteristiken der erhaltenen Modelle zu vergleichen.
rechts: Projizierte Trajektorien eines 21-dimensionalen EEG-Datensatzes eines epileptischen Anfalls: Projektionen mithilfe der neuen Methode DyCA im Vergleich zur konventionellen Methoden PCA und ICA. (Quelle: Seifert, Adamski und Uhl, Hochschule Ansbach)
Die Projektpartner stellten Daten und Software zur Analyse zur Verfügung. Die EEG-Daten wurden mithilfe von Methoden, die im Rahmen des Projekts entwickelt und angepasst wurden, untersucht.
Im Falle von Absencen konnte ein Großteil der Daten während des Anfalls durch ein Modell angepasst werden (vgl. Abb. Links). Eine Kreuzvalidierung lieferte dabei eine Sensitivität von 84 % und eine Spezifität von 75 %. Diese Modelle zeigten in 70 % der Fälle ein charakteristisches dynamisches Verhalten (Shilnikov-Chaos).
Nebeneffekt der Untersuchung war die Entwicklung eines alternativen und effektiven Verfahrens zur Dimensionsreduzierung multivariater Zeitreihen (vgl. Abb. rechts).
