Die Major-Depression oder klinische Depression ist eine psychische Störung, die sich durch ein geringes Selbstwertgefühl, anhaltende Traurigkeit und den Verlust der Freude an Aktivitäten, die normalerweise angenehm sind, auszeichnet. Moderne Behandlungsmethoden haben eine Ansprechrate von nur bis zu 65%, und die Reaktion ist in der Regel erst nach 4-6 Wochen Behandlung zu sehen. Das Verständnis der Interaktionen zwischen den Hirnregionen von Patienten, die auf die Behandlung ansprechen und solchen, die nicht darauf ansprechen, kann helfen, unnütze Therapieversuche zu vermeiden und weitere Forschung zur Krankheit zu ermöglichen. Darüber hinaus führt die Wahl einer effektiven Therapie zur Verringerung der Kosten für die Behandlung. Wir postulieren, dass Patienten, die auf eine antidepressive Behandlung angesprochen haben, im Vergleich zu denen, die nicht darauf angesprochen haben, veränderte Informationsmuster aufweisen, die aus EEG-Aufzeichnungen abgeleitet werden können. Eine Möglichkeit, Muster in den Daten zu finden, besteht darin, Clustering-Algorithmen anzuwenden. Eine Datengrundlage von EEG-Aufzeichnungen von Patienten mit 19 Elektroden liegt vor. In dieser Arbeit wenden wir den Interactive K-means (IKM) Clustering-Algorithmus auf Multi-Trial-EEG-Daten von Patienten mit Major Depression an. Dieser Algorithmus funktioniert effektiv bei Multi-Variate Zeitreihen und ermöglicht es uns, Interaktionsmuster aus den erhaltenen Ergebnissen abzuleiten. Wir führten eine explorative Analyse des Einflusses der Vorverarbeitung auf die Clusterreinheit von IKM auf dem EEG-Datensatz durch. Verschiedene Vorverarbeitungsstrategien wurden vorgeschlagen, um die Clustering-Genauigkeit des Algorithmus auf den gegebenen Daten zu verbessern, nämlich Bandextraktion, Hilbert-, Box-Cox- und Z-Score-Transformationen und andere. Auch die Interaktion zwischen den Elektroden wurde untersucht. Darüber hinaus wurden die beliebten Clustering-Methoden auf die aus den Daten abgeleiteten Parameter (Koeffizienten) angewendet, die mit der Methode der kleinsten Quadrate berechnet wurden. Das beste Clustering-Ergebnis ergibt sich aus der Kombination der Box-Cox- und Z-Score-Transformation und der Berücksichtigung nur der Cz-, Fp1-, F3-, F7-, C3-, T3-, P3-, T5-, O1-Elektroden (linksseitig gelegene Elektroden einschließlich der zentralen Cz). Die Clusterreinheit für diese Einstellung betrug 60,5%. Fast das gleiche Ergebnis wurde beim Clustering nur des Delta-Bandes aus den Daten desselben Elektrodensatzes erzielt. Die Clusterreinheit betrug 60,3%. Die gleiche Clusterreinheit wurde für die abgeleitete Hilbert-Amplitude aus dem Delta-Band aus den Daten desselben Elektrodensatzes beobachtet. Im Kontext der vorliegenden Studie ist eine CP von 60% für den IKM-Clustering-Algorithmus, der auf Mehrfach-EEG-Daten von Patienten mit Major Depression angewendet wird, ein vernünftiges Ergebnis. EEG-Daten sind bekanntlich hoch variabel und rauschig und die zugrunde liegenden biologischen Mechanismen der Depression sind komplex und nicht vollständig verstanden. Daher ist es eine anspruchsvolle Aufgabe, auf diesem Datentyp eine CP von 0,6 oder höher zu erreichen, und die Ergebnisse, die mit den vorgeschlagenen Vorverarbeitungsstrategien erzielt wurden, gelten als vielversprechend. Bei der Interpretation der Daten, die für das beste Clustering verwendet wurden, wurden zwei Elektroden als am diskriminierendsten unter den Clustern identifiziert. Es handelt sich um P3 und T5, die sich in den linken und hinteren Regionen des Kopfes befinden. Im ersten Cluster haben P3 und T5 die stärkste Beziehung zu den Fp1- bzw. F3-Elektroden (links und frontal gelegen). Im zweiten Cluster hat P3 eine starke Beziehung zu den F3-, Fp1-, F7- (links und frontal gelegen) und Cz (zentral gelegen) Elektroden, während T5 stark mit der O1 (links und hinten gelegen) Elektrode verbunden ist.

Major depressive disorder (MDD) or clinical depression is a mental disorder that is characterized by low self-esteem, persistent sadness, and loss of pleasure in activities that are normally enjoyable. Modern ways of treatment have a response of only up to 65% and the response can usually be seen after 4-6 weeks of treatment. Understanding the interactions of brain regions of responders and non-responders can help to avoid trials of ineffective therapy and help in further research of the disease. Moreover, the choice of effective therapy leads to a decrease in costs for the treatment. We postulate, that patients who responded to antidepressant treatment have altered information patterns obtainable from EEG recordings compared to those who have not responded to it. One way of finding patterns in the data is by applying of clustering algorithms. A data basis of EEG recordings of patients with 19 electrodes is given. In this work, we apply the Interactive K-means (IKM) clustering algorithm on multi-trial EEG data of patients with major depressive disorder. This algorithm works effectively on multi-variate time-series as well as it allows us to derive interaction patterns from the obtained results. We performed an exploratory analysis of the influence of preprocessing on the cluster purity of IKM on the EEG data set. Different preprocessing strategies to improve the clustering accuracy of the algorithm on the given data were proposed, namely bands extraction, Hilbert, Box-Cox and z-score transformations, and others. Also, the interaction between electrodes was explored. Additionally, the popular clustering methods were applied to the parameters (coefficients) derived from the data using the least squares method. The best clustering result is the one using the combination of the Box-Cox and z-score transformation methods and taking into consideration only Cz, Fp1, F3, F7, C3, T3, P3, T5, O1 electrodes (left-located electrodes including the central Cz). The cluster purity for this setting was 60.5%. Almost the same result was shown for clustering only on the Delta band obtained from the data of the same set of electrodes. The cluster purity was 60.3%. The same cluster purity was observed for the derived Hilbert amplitude from the Delta band from the data of the same set of electrodes. In the context of the current study, a CP of 60% for the IKM clustering algorithm applied to multi-trial EEG data of patients with major depressive disorder is a reasonable result. EEG data is known to be highly variable and noisy, and the underlying biological mechanisms of depression are complex and not fully understood. Therefore, achieving a CP of 0.6 or higher on this type of data is a challenging task, and the results obtained using the proposed preprocessing strategies are considered promising. When interpreting the data used for the best clustering, two electrodes were identified as the most discriminative among the clusters. They are P3 and T5 that located in the left and back regions of the head. In the first cluster, P3 and T5 have the strongest relationship with the Fp1 and F3 (left and frontal-located electrodes) respectively. In the second cluster, P3 has a strong connection to F3, Fp1, F7 (left and frontal located) and Cz (centrally located) electrodes while T5 is strongly related to the O1 (left and back located) electrode.