Efficient and geometry-aware AI-based methods for EEG applications in neurology and affective computing
Efficient and geometry-aware AI-based methods for EEG applications in neurology and affective computing
Where did the research take place?
The study site has not been established. Author addresses may differ from where the research occurred.
A plain-language reading has not been prepared for this paper yet.
Original abstract
CAT- Aquesta tesi doctoral se centra en l’anàlisi de senyals d’electroencefalografia (EEG) com a eina per monitorar la salut cerebral des d’una perspectiva cognitiva i emocional. L’EEG és una tècnica no invasiva i relativament econòmica que permet observar l’activitat elèctrica del cervell, i és àmpliament utilitzada en neurologia, psiquiatria i psicologia clínica per estudiar processos com l’estrès, les emocions o les malalties neurodegeneratives. Tot i el seu potencial, l’ús de l’EEG en entorns reals presenta diversos reptes, com ara el soroll del senyal, la gran variabilitat entre persones, l’elevada dimensionalitat de les dades i les limitacions dels dispositius portables amb pocs sensors. L’objectiu principal de la tesi és desenvolupar mètodes d’anàlisi de l’EEG que siguin computacionalment eficients, interpretables i robustos, tot facilitant la seva aplicació en sistemes portables i entorns clínics reals. Per assolir aquest objectiu, el treball proposa diferents estratègies basades en descriptors estadístics, models geomètrics i representacions híbrides que combinen informació espacial i temporal del senyal cerebral. La primera contribució aborda la detecció de l’estrès mitjançant característiques simples extretes de l’EEG. Es demostra que estadístiques bàsiques del senyal són suficients per diferenciar entre estats d’estrès, relaxació i neutralitat, sense necessitat de models complexos ni de sistemes amb molts canals. A més, l’anàlisi de la importància dels canals mostra que només uns quants elèctrodes concentren la major part de la informació rellevant, fet que reforça la viabilitat de dispositius portables de baixa complexitat. La segona contribució proposa una representació basada en decils per a la classificació de trastorns neurològics. Aquest enfocament captura la forma de la distribució del senyal EEG en diferents bandes de freqüència, oferint una alternativa compacta i interpretable a mètodes més costosos. Els resultats mostren una bona capacitat de discriminació en malalties com l’Alzheimer, el Parkinson o l’epilèpsia, fins i tot amb un nombre reduït de canals. La tercera línia de treball introdueix mètodes basats en la geometria Riemanniana, representant l’EEG mitjançant matrius de covariància que preserven les relacions espacials entre canals. S’hi desenvolupa un marc complet de classificació que demostra una millora significativa respecte a enfocaments euclidians tradicionals, especialment en contextos clínics amb alta variabilitat i dades limitades. Finalment, la tesi presenta HEART, un nou marc per al reconeixement d’emocions que integra informació espacial i dinàmica temporal de l’EEG. Aquest mètode permet descriure l’evolució de l’activitat cerebral al llarg del temps i millora el rendiment respecte a l’estat de l’art en diferents bases de dades públiques ENG- This doctoral thesis focuses on the analysis of electroencephalography (EEG) signals as a tool for monitoring brain health from a cognitive and emotional perspective. EEG is a noninvasive and relatively inexpensive technique that allows observing the brain's electrical activity, and it is widely used in neurology, psychiatry, and clinical psychology to study processes such as stress, emotions, or neurodegenerative diseases. Despite its potential, the use of EEG in real-world settings presents several challenges, such as signal noise, high inter-subject variability, the high dimensionality of the data, and the limitations of low-sensor wearable devices. The main objective of the thesis is to develop EEG analysis methods that are computationally efficient, interpretable, and robust, while facilitating their application in portable systems and real clinical settings. To achieve this goal, the work proposes different strategies based on statistical descriptors, geometric models, and hybrid representations that combine spatial and temporal information from the brain signal. The first contribution addresses stress detection using simple features extracted from EEG. It is shown that basic signal statistics are sufficient to differentiate between stress, relaxation, and neutrality states, without the need for complex models or multi-channel systems. Moreover, channel importance analysis shows that only a few electrodes concentrate most of the relevant information, reinforcing the feasibility of low-complexity wearable devices. The second contribution proposes a decile-based representation for the classification of neurological disorders. This approach captures the shape of the EEG signal distribution across different frequency bands, offering a compact and interpretable alternative to more expensive methods. The results show good discriminative power in diseases such as Alzheimer's, Parkinson's, and epilepsy, even with a reduced number of channels. The third line of work introduces methods based on Riemannian geometry, representing the EEG through covariance matrices that preserve the spatial relationships between channels. A complete classification framework is developed, demonstrating a significant improvement over traditional Euclidean approaches, especially in clinical contexts with high variability and limited data. Finally, the thesis presents HEART, a new framework for emotion recognition that integrates spatial information and temporal dynamics from EEG. This method enables describing the evolution of brain activity over time and improves performance compared to the state of the art on various public databases Programa de Doctorat en Tecnologia