nach oben

Erschienen in:

2020 | OriginalPaper | Buchkapitel

Tucker Tensor Decomposition of Multi-session EEG Data

verfasst von : Zuzana Rošťáková, Roman Rosipal, Saman Seifpour

Erschienen in: Artificial Neural Networks and Machine Learning – ICANN 2020

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

The Tucker model is a tensor decomposition method for multi-way data analysis. However, its application in the area of multi-channel electroencephalogram (EEG) is rare and often without detailed electrophysiological interpretation of the obtained results. In this work, we apply the Tucker model to a set of multi-channel EEG data recorded over several separate sessions of motor imagery training. We consider a three-way and four-way version of the model and investigate its effect when applied to multi-session data. We discuss the advantages and disadvantages of both Tucker model approaches.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Learning Tn5 Sequence Bias from ATAC-seq on Naked Chromatin

Nächstes Kapitel Reactive Hand Movements from Arm Kinematics and EMG Signals Based on Hierarchical Gaussian Process Dynamical Models

This approach can be interpreted as an unfolding of a four-way tensor [2].

The PARAFAC model also follows the formula (1), but with the assumption of the same number of factors in each mode (\(J_1 = \dots = J_N = J\)) and a super–diagonal structure of \(\mathbb {G}\).

For Subject 1, fixing the number of FS to eight and SS to two, the Tucker4D_N model with eighty TS shows MSE approximately of the same value as the Tucker4D_O model with sixteen TS.

Bro, R., Kiers, H.A.L.: A new efficient method for determining the number of components in PARAFAC models. J. Chemom. 17(5), 274–286 (2003). https://doi.org/10.1002/cem.801CrossRef

Cichocki, A., Zdunek, R., Phan, A.H., Amari, S.I.: Nonnegative Matrix and Tensor Factorizations: Applications to Exploratory Multi-way Data Analysis and Blind Source Separation. Wiley, New York (2009). https://doi.org/10.1002/9780470747278

Cong, F., Lin, Q.H., Kuang, L.D., Gong, X.F., Astikainen, P., Ristaniemi, T.: Tensor decomposition of EEG signals: a brief review. J. Neurosci. Methods 248, 56–69 (2015). https://doi.org/10.1016/j.jneumeth.2015.03.018CrossRef

Ester, M., Kriegel, H.P., Sander, J., Xu, X.: A density-based algorithm for discovering clusters in large spatial databases with noise. In: Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96), pp. 226–231. AAAI Press (1996)

Harshman, R.A.: Foundations of the PARAFAC procedure: models and conditions for an “explanatory” multimodal factor analysis. In: UCLA Working Papers in Phonetics, vol. 16, no. 1 (1970)

Kiers, H.A.L.: Recent developments in three-mode factor analysis: constrained three-mode factor analysis and core rotations. In: Hayashi, C., Yajima, K., Bock, H.H., Ohsumi, N., Tanaka, Y., Baba, Y. (eds.) Data Science, Classification, and Related Methods. STUDIES CLASS, pp. 563–574. Springer, Tokyo (1998). https://doi.org/10.1007/978-4-431-65950-1_62CrossRef

Miwakeichi, F., Martınez-Montes, E., Valdés-Sosa, P.A., Nishiyama, N., Mizuhara, H., Yamaguchi, Y.: Decomposing EEG data into space-time-frequency components using Parallel Factor Analysis. NeuroImage 22(3), 1035–1045 (2004). https://doi.org/10.1016/j.neuroimage.2004.03.039CrossRef

Rosipal, R., Porubcová, N., Cimrová, B., Farkaš, I.: Neurorehabilitation training based on mental imagery of movement (using a robotic splint) (2017). http://aiolos.um.savba.sk/~roman/rrLab/projects.html

Rosipal, R., Porubcová, N., Barančok, P., Cimrová, B., Farkaš, I., Trejo, L.J.: Effects of mirror-box therapy on modulation of sensorimotor EEG oscillatory rhythms: a single-case longitudinal study. J. Neurophysiol. 121(2), 620–633 (2019). https://doi.org/10.1152/jn.00599.2018CrossRef

10.

Rošťáková, Z., Rosipal, R.: Three-way analysis of multichannel EEG data using the PARAFAC and Tucker models. In: 12th International Conference on Measurement, Smolenice, Slovakia, pp. 127–130 (2019). https://doi.org/10.23919/MEASUREMENT47340.2019.8780005

11.

Rošťáková, Z., Rosipal, R., Seifpour, S., Trejo, L.J.: A comparison of non-negative Tucker decomposition and parallel factor analysis for identification and measurement of human EEG rhythms. Meas. Sci. Rev. 20(3), 126–138 (2020). https://doi.org/10.2478/msr-2020-0015CrossRef

12.

Tucker, L.R.: Some mathematical notes on three-mode factor analysis. Psychometrika 31(3), 279–311 (1966). https://doi.org/10.1007/BF02289464MathSciNetCrossRef

13.

Wen, H., Liu, Z.: Separating fractal and oscillatory components in the power spectrum of neurophysiological signal. Brain Topogr. 29(1), 13–26 (2015). https://doi.org/10.1007/s10548-015-0448-0CrossRef

Titel: Tucker Tensor Decomposition of Multi-session EEG Data
verfasst von: Zuzana Rošťáková
Roman Rosipal
Saman Seifpour
Verlag: Springer International Publishing
Buch: Artificial Neural Networks and Machine Learning – ICANN 2020
Print ISBN: 978-3-030-61608-3

Electronic ISBN: 978-3-030-61609-0

Copyright-Jahr: 2020
DOI: https://doi.org/10.1007/978-3-030-61609-0_10

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner