Anwendung trilinearer Komponentenanalyse auf die Analyse ereignisbezogener EEG-Potentiale

  • Verleger, Rolf (Principal Investigator (PI))
  • Keller, Karsten (Associated Staff)
  • Möcks, Joachim (Associated Staff)

Project: DFG ProjectsDFG Individual Projects

Project Details

Description

As recorded at the scalp, event-related EEG potentials (ERPs) consist of several overlapping components. To estimate parameters of these components, Principal Component Analysis (PCA) was recommended as the method of choice 25 years ago. However, PCA cannot arrive at a unique decomposition of the data without imposing additional constraints (nor can PCA s younger sibling , ICA). These constraints are usually formal (not model-driven), e.g., that some component should be focused on as few variables as possible (Varimax and Promax rotations), which does not necessarily lead to a decomposition that makes sense in physiological terms. Möcks (1988a, 1988b, 1991) suggested the model that a component should be characterized by its topographical distribution across recording sites being identical across observations. He proved that this leads to unique model-driven solutions and he developed an algorithm that reaches convergence. This Trilinear Components Analysis will here be applied to ERP analysis systematically for the first time. To reach this goal, the mathematical core of the present algorithm has to be tested, and alternative algorithmic options have to be realized. The critical test for application will be realized in an already available data set that has large experimental variance where we will look for an answer on the question how much the P3 component evoked by 82 In an 81-82 task overlaps with the downswinging overshoot ofthe preceding CNV.

Key findings

An der Kopfhaut gemessene ereignisbezogene EEG-Potentiale bestehen aus mehreren Komponenten, die sich überlagern. Um aus den gemessenen Daten die ihnen zugrundeliegenden Komponenten zu schätzen, wurde vor 30 Jahren die Hauptkomponentenanalyse (PCA) als Methode der Wahl empfohlen. Jedoch kann die PCA (und auch ihr "jüngeres Geschwister", die ICA) nicht ohne weitere Einschränkungen zu einer eindeutigen Zerlegung der Daten gelangen. Diese Einschränkungen sind im Allgemeinen formal, z.B. dass eine Komponente auf möglichst wenige Messzeitpunkte konzentriert sein soll (Varimax- und Promax- Rotation), und führen nicht unbedingt zu einer physiologisch sinnvollen Zerlegung. Im Projekt wurde anhand realer Daten und einer substanzwissenschaftlich interessierenden Fragestellung Möglichkeiten und Grenzen einer alternativen Methode zur Komponentenzerlegung ausgetestet, der "Trilinearen Komponenten-Analyse" (TCA). Attraktiv an der Methode schien, dass sie eine inhaltlich sinnvolle Definition von Komponenten benutzt, nämlich, dass eine Komponente über die Beobachtungen hinweg die gleiche Topografie auf der Kopfhaut haben soll. Die Fragestellung war, ob es einen Rückgang der Vorbereitungs negativierung "CNV" nach dem erwarteten Reiz gibt oder ob die CNV mit dem Reiz abbricht und die Komponenten danach von ihr unabhängig sind. In der Anwendung zeigte sich, dass die Methode u.U. klarer als andere Methoden die den Daten innewohnende Varianz zerlegt und darstellt, dass sie aber genau wie andere Methoden formalen Beschränkungen unterliegt, die zu Lösungen führen, die nicht unbedingt inhaltlich plausibel sind. Sich daran anschließende Fragen konnten leider nicht mehr im Rahmen des Projekts bearbeitet werden.

Statusfinished
Effective start/end date01.01.0931.12.12

UN Sustainable Development Goals

In 2015, UN member states agreed to 17 global Sustainable Development Goals (SDGs) to end poverty, protect the planet and ensure prosperity for all. This project contributes towards the following SDG(s):

  • SDG 3 - Good Health and Well-being

Research Areas and Centers

  • Academic Focus: Center for Brain, Behavior and Metabolism (CBBM)

DFG Research Classification Scheme

  • 110-01 General, Cognitive and Mathematical Psychology

Fingerprint

Explore the research topics touched on by this project. These labels are generated based on the underlying awards/grants. Together they form a unique fingerprint.