Characterizing the differences in dynamic functional connectivity of aging in adults using advanced EEG analysis techniques and machine learning in resting state

Η παρούσα μεταπτυχιακή διατριβή πραγματεύεται το πρόβλημα της πρόβλεψη της ηλικίας ενός σύνολου ατόμων μέσω ανάλυσης παλινδρόμησης, καθώς και της ομαδοποίησης αυτών σε δύο ηλικιακές ομάδες, μέσω της μελέτης της λειτουργικής συνδεσιμότητας στο εγκεφαλογράφημα (EEG). Συγκεκριμένα, μελετήθηκε η σύζευξη μεταξύ διαφορετικών συχνοτήτων (Cross frequency coupling, CFC) στα σήματα EEG, ενώ στους γράφους που προέκυψαν εφαρμόστηκαν τεχνικές μείωσης διάστασης και κβαντοποίησης διανυσμάτων, προκειμένου να γίνει πιο εύκολη η επεξεργασία τους. Τέλος, από τους γράφους αυτούς εξήχθησαν διάφορα μετρικά, τα οποία εισήχθησαν ως είσοδοι σε κατάλληλους ταξινομητές, προκειμένου να γίνει εφικτή η πρόβλεψη της ηλικίας και της ομαδοποίησης των υποκειμένων στις ηλικιακές ομάδες.

The current dissertation deals with the problem of age prediction on a set of individuals with the help of regression analysis, and grouping them into two age groups, using the functional connectivity of the electroencephalography (EEG). Specifically, the cross frequency coupling was studied in those EEG signals, while dimension reduction and vector quantization techniques were applied in the graphs that came up, in order to make their processing easier. Finally, several metrics were extracted from those graphs, which were introduced as inputs into appropriate classifiers, in order to make the age prediction and the age grouping feasible.