The Similarity Approach to EEG Analysis

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

• REFERENCES

• 1 Clarke L. G, Harding G. F.A. Comparisons of Mono and Dizygotic Twins with Respect to some Features of the Electroencephalogram. Proc. electro-phy-siol. Techn. Ass 1969; 16: 94-101.
• 2 Davidson M. L. Multidimensional Scaling. New York: Wiley; 1983
• 3 Dumermuth G. Variance Spectra of Electroencephalograms in Twins. In Kellaway P, Petersen I. (Eds) Clinical Encephalography of Children. New York: Grune and Stratton; 1968: 119-154.
• 4 Grosveld F. M, Jansen B. H, Hasman A, Visser S. L. La reconnaissance des individus à l’intérieur d’un groupe de 16 sujets normaux. Rev. Electroencéphal. Neurophysiol. Clin 1976; 6: 295-297.
• 5 Grosveld F. M, Rijke W, de Visser S. L. Les differences individuelles de l’his-togramm des amplitudes de l’EEG pariéto-occipital chez 16 sujets normaux. Rev. Electroencéphal. Neurophysiol. Clin 1976; 6: 290-294.
• 6 Johnson L, Lubin A, Naitoh P. et al. Spectral Analysis of the EEG of Dominant and Non-dominant Alpha Subjects during Waking and Sleeping. Electroencéphal. Clin. Neurophysiol 1969; 26: 361-370.
• 7 Juel-Nielsen N, Harvald B. The Electroencephalogram in Uniovular Twins Brought up Apart. Acta genet 1958; S57-64.
• 8 Kruskal J. B. Multidimensional Scaling by Optimizing Goodness of Fit to a Non-metric Hypothesis. Psychometrika 1964; 29: 1-27.
• 9 Kruskal J. B. Nonmetric Multidimensional Scaling: A Numerical Method. Psychometrika 1964; 29: 115-129.
• 10 Kruskal J. B. Multidimensional Scaling and other Methods for Discovering Structure. In Enslein K, Ralston A, Wilf H. S. (Eds) Statistical Methods for Digital Computers. New York: Wiley; 1977
• 11 Kruskal J. B, Young F. W, Seery J. B. How to Use KYST-2A. A Very Flexible Program to do Multidimensional Scaling and Unfolding. Extensions by. Stassen H. H. Murray Hill: Bell Laboratories; 1978
• 12 Levandowsky M, Winter D. Distance between Sets. Nature 1971; 234: 34-35.
• 13 Lingoes J. C. Identifying Regions in the Space of Interpretation. In Lingoes J. C. et al. (Eds) Geometric Representations of Relational Data. Ann Arbor: Mathesis Press; 1979: 115-126.
• 14 Lykken D. T, Teilegen A, Iacono W. G. EEG Spectra in Twins: Evidence for a Neglected Mechanism of Genetic Determination. Physiol. Psychol 1982; 10: 60-65.
• 15 Lykken D. T, Teilegen A, Thorkelson K. Genetic Determination of EEG Frequency Spectra. Biol. Psychol 1974; 1: 245-259.
• 16 Meisel W. S. Computer-oriented Approaches to Pattern Recognition. New York: Academic Press; 1973
• 17 Propping P. Genetic Control of Ethanol Action in the Central Nervous System. An EEG Study in Twins. Hum. Genet 1977; 35: 309-334.
• 18 Shepard R. N. The analysis of Proximities: Multidimensional Scaling with an Unknown Distance Function. I, II. Psychometrika 1962; 27 125-140 219-246.
• 19 Stassen H. H. Computerized Recognition of Persons by EEG Spectral Patterns. Electroencéphal. clin. Neurophysiol 1980; 49: 190-194.
• 20 Stassen H. H, Bente D, Feder J, Freudenthal K, Strauss A. AMDP Information Processing Systems. Mod. Probl. Pharmacopsychiat 1983; 20: 55-67.
• 21 Stassen H. H, Bomben G, Propping P. Genetic Aspects of the EEG: An Investigation into the Within-pair Similarity of Monozygotic and Dizygotic Twins with a New Method of Analysis. Submitted for publication; 1984
• 22 Stassen H. H, Guenter R, Bomben G. Longterm Stability of EEG: Computerized Recognition of Person by EEG Spectral Patterns. In Lang M. (Edit.) Proceedings of the 6th International Conference on. Pattern Recognition, Munich. Silver Spring: IEEE Computer Society; 1982. 1982 619-622.
• 23 Tversky A. Features of Similarity. Psychol. Rev 1977; 84: 327-352.
• 24 Vogel F. The Genetic Basis of the Normal Human Electroencephalogram (EEG). Humangenetik 1970; 10: 91-114.
• 25 Young J. P, Lader M. H, Fenton G. W. A Twin Study on the Genetic Influences on the Electroencephalogram. J. med. Genet 1972; 9: 13-16.