Oscillation features time series and linear - nonlinear dynamic regression models with application in predicting epileptic seizure

Abstract

The present PhD thesis combines methods of linear and nonlinear time series analysis and of dynamical systems analysis with statistical methods with aim to study and develop statistical measures computed directly on one time series and on extracted time series of oscillation features. Basic aim of this dissertation is the use of these measures for detecting dynamic changes in the brain activity of epileptic patients, as seizure approaches. In particular, two methods for determining the optimum time series model in the cases of linear and nonlinear modeling were developed, and measures based on model fitting and measures computed on features time series were defined. These measures were used for detecting dynamic change in preictal periods and they performed very well. The comparison of said measures with other, commonly used in practice, ranked them among the best.

Η παρούσα διδακτορική διατριβή συνδύασε μεθόδους της γραμμικής και μη-γραμμικής ανάλυσης χρονοσειρών, καθώς και ανάλυσης δυναμικών συστημάτων με στατιστικές μεθόδους με στόχο να μελετήσει και να αναπτύξει στατιστικά μέτρα που υπολογίζονται απευθείας σε μια χρονοσειρά και σε εξαγόμενες από αυτήν χρονοσειρές χαρακτηριστικών ταλάντωσης. Ο βασικός στόχος της διατριβής είναι η χρήση των μέτρων αυτών για τον προσδιορισμό δυναμικών αλλαγών στην εγκεφαλική δραστηριότητα επιληπτικών ασθενών, καθώς πλησιάζει η επιληπτική κρίση. Ειδικότερα, αναπτύχθηκαν δύο μέθοδοι προσδιορισμού βέλτιστου μοντέλου για τις περιπτώσεις γραμμικής και μη-γραμμικής μοντελοποίησης χρονοσειρών και αναπτύχθηκαν μέτρα βασισμένα σε μοντελοποίηση και μέτρα υπολογιζόμενα σε χρονοσειρές χαρακτηριστικών. Τα μέτρα αυτά χρησιμοποιήθηκαν για εντοπισμό αλλαγής δυναμικής κατάστασης σε προεπιλεπτικές περιόδους και η απόδοση τους για αυτόν τον σκοπό ήταν άριστη. Η σύγκριση των μέτρων αυτών με άλλα, συνήθη στην βιβλιογραφία, τα κατέταξε ανάμεσα στα καλύτερα.