Predykcja cech indywidualnych z sygnału EEG za pomocą metod uczenia maszynowego

Człowiek, jako istota biologiczna i społeczna, jest niezwykle zróżnicowany, zarówno pod względem cech zewnętrznych, jak i przede wszystkim wewnętrznych. Owa wewnętrzna różnorodność znajduje swoje odzwierciedlenie w dynamice i charakterze procesów poznawczych, mierzonych za pomocą elektroencefalografii (EEG). Mimo iż wpływ różnic indywidualnych na sygnał EEG jest bezsprzeczny, predykcja poziomu tych cech na podstawie EEG pozostaje nadal dużym wyzwaniem w dziedzinie modelowania neuropoznawczego. Celem tej pracy magisterskiej jest zbadanie możliwości i ograniczeń przewidywania indywidualnego poziomu cech osobowych, w tym przypadku - tendencji do ruminacji, na podstawie sygnału EEG. Jako rezultat naszych badań eksploracyjnych przedstawiamy porównanie technik uczenia maszynowego w dokonanej analizie predykcyjnej. W opozycji do bardzo popularnych obecnie modeli opartych na sieciach neuronowych, proponujemy prostsze, numeryczne podejście, którego główną zaletą jest możliwość pełnej interpretacji wyników. Taka metoda pozwala wyjaśniać badane zjawiska w kategoriach aktywności mózgowej, a zwłaszcza w kategoriach potencjałów zdarzeniowych (ERP). Ponieważ powszechnie występującym problemem w badaniach EEG jest zanieczyszczenie danych mózgowych przez artefakty pochodzenia pozamózgowego oraz naturalną aktywność bioelektryczną organizmu, zbadaliśmy skutki zastosowania filtrów przestrzennych: analizy głównych składowych (PCA) i analizy składowych niezależnych (ICA), w analizie predykcyjnej. Wykorzystanie filtrów przestrzennych pozwoliło uzyskać lepsze wyniki w stosunku do analiz przeprowadzonych na klasycznych falach ERP. Główne wyniki naszej analizy ujawniły, iż najlepszym predyktorem indywidualnego poziomu ruminacji są komponenty ERP związane z detekcją błędu (ERN) i jego świadomym przetworzeniem (Pe). Porównanie metod ICA i PCA wskazało na większą rzetelność i stabilność algorytmu PCA, w przypadku zastosowania małego zbioru danych, jak to miało miejsce w naszym badaniu.Do naszej pracy dołączamy szczegółowy opis zbioru danych na którym analiza została wykonana, uzyskanych w trakcie eksperymentu przeprowadzonego w Laboratorium Procesów Neuropoznawczych Wydziału Filozoficznego, metodologii oraz pełny kod źródłowy, który posłużył do przeprowadzenia analiz, w celu spełnienia standardów otwartej nauki i zapewnienia reprodukowalności i odtwarzalności wyników.The relationship between the individual traits and the electroencephalographic (EEG) responses remains largely associative in nature. This association does not imply that it is possible to predict individual traits from EEG data. In this thesis we explore whether individual traits prediction from EEG signal is possible. Moreover, as a result of our research we present a comparison of machine learning approaches in terms of individual rumination level prediction. In comparison to very popular these days neural network based models, we propose another, interpretable way of predicting individual traits that allows to explain phenomena in terms of brain activity, especially event-related potentials (ERP). EEG signals are easily contaminated by artifacts and noises, so we explored effects of using common spatial filters: principal component analysis (PCA) and independent components analysis (ICA) for classification and regression problems. This approach yielded results superior to the analysis conducted on classical ERP waves. The main findings of following research revealed that best evidence for individual level of rumination comes from the error related negativity (ERN) and error-related positivity (Pe), two widely studied ERP components. Moreover, comparison of ICA and PCA approaches indicated a greater reliability of the PCA results when applied on small dataset of EEG signals.We provide detailed description of dataset acquired during the experiment conducted in the Neurocognitive Processing Laboratory at the Philosophical Faculty, methodology and full code used for results generation to meet the standards of Open Science and ensure reproducibility of outcomes