Analysis of brain dynamics using echo-state networks

Abstract

In the last decade recurrent neural networks have revolutionized the field of artificial intelligence. Their cyclic connections provide them with memory and thus with the capability of modeling processes with temporal context. Echo-state networks are a framework for recurrent neural networks that enormously simplifies their design and training. In this thesis we explore the capabilities of echo-state networks and their application in EEG feature extraction and classification problems. In a first study, we proved that such networks are capable of detecting generalized synchronization changes between two chaotic time-series. In a second study, we used echo-state networks to characterize the non-stationary nature of what has been considered so far to be a stationary brain response, namely steady-state visual evoked potentials (SSVEPs). Finally, in a third study, we successfully proposed a novel biomarker for attention deficit hyperactivity disorder (ADHD), which is capable of quantifying EEG dynamical changes between low and normal attention-arousal conditions. The results presented here demonstrate the excellent non-stationary detection capabilities of these networks, and their applicability to electrophysiological data analysis.

En la última decada las redes neuronales recurrentes han revolucionado el campo de la inteligencia artificial. Sus conexiones cíclicas les proporcionan memoria y por tanto la capacidad de modelar problemas con contexto temporal. Las redes echo-state simplifican enormemente el diseño y entrenamiento de las redes recurrentes. En esta tesis exploramos el uso de redes echo-state y su aplicación en problemas de clasificación y detección de patrones en señales EEG. En un primer estudio demostramos que son capaces de detectar cambios de sincronización generalizada entre dos series temporales caóticas. En un segundo utilizamos redes echo-state para caracterizar la no estacionaridad de un fenómeno considerado de estado estable, potenciales visuales evocados steady-sate (SSVEP). Finalmente en un tercer estudio proponemos un nuevo biomarcardor para TDAH capaz de cuantificar cambios en la dinámica de la señal EEG entre condiciones bajas y normales de excitación. Los resultados aquí presentados demuestran la excelente capacidad de detección de patrones no estacionarios de estas redes, así como su aplicabilidad en el análisis de datos electrofisiológicos.

Programa de doctorat en Biomedicina