In den letzten Jahren hat das Interesse der Forschung an der Nutzung von EEG-Signalen zur Entdeckung von Merkmalen und Mustern in Verbindung mit einer bestimmten psychiatrischen Erkrankung zugenommen. Patienten, die sich einer Depressionsbehandlung unterziehen müssen vier bis sechs Wochen warten, bevor ein Arzt das Ansprechen auf die Medikamente beurteilen kann, da die Wirkung von Antidepressiva erst mit Verzögerung eintritt. Die Erkennung des Ansprechens auf die Behandlung zu einem früheren Zeitpunkt hat das Potenzial, mehrere Vorteile für Menschen mit Depressionen mit sich zu bringen, indem die emotionale und wirtschaftliche Belastung von Depressionspatienten verringert wird, da Behandlungen, die nicht wirksam sind, Wochen früher ersetzt werden können. In dieser Masterarbeit betrachten wir die Vorhersage des Ansprechens von Patienten auf die Behandlung als ein Klassifikationsproblem, indem wir die dynamischen Eigenschaften von EEG-Aufzeichnungen von Depressionspatienten nutzen, die sich einer antidepressiven Behandlung unterziehen. Wir untersuchen die Anwendung der führenden Motiverkennungsalgorithmen SCRIMP++ und OSTINATO auf EEG-Aufzeichnungen und schlagen einen Prozess von der Motivextraktion bis zur Erstellung eines Klassifikators mit hoher Vorhersageleistung vor. Motive mit unterschiedlichen Längen werden aus drei Frequenzbändern extrahiert: Alpha, Beta und Theta, und als Merkmale in einfacheren und besser interpretierbaren Modellen verwendet. Der vorgeschlagene Prozess der Merkmalsextraktion umfasst Kriterien für die Motivauswahl und die Behandlung von Klassen- und Geschlechterungleichgewichten. Die Datenbank besteht aus insgesamt 176 Patienten und ist in einen Trainings- und einen separaten Testsatz unterteilt. Wir untersuchten vier Klassifikatoren, von denen der SVM-Klassifikator mit einer Genauigkeit von 0,738 und einem F1-Wert von 0,732 in der Testgruppe, die beste Leistung erzielte. Die Ergebnisse zeigen, dass die dynamischen Eigenschaften der EEGs potenziell Informationen enthalten, die bei der Unterscheidung zwischen Ansprechern und Nicht-Ansprechern helfen könnten. Diese Masterarbeit ist Teil des internationalen Forschungsprojekts "Learning Synchronization Patterns in Multivariate Neural Signals for Prediction of Response to Antidepressants", einem gemeinsamen internationalen Projekt der Universität Wien, der Tschechischen Akademie der Wissenschaften und des Nationalen Instituts für Psychische Gesundheit der Tschechischen Republik.

In recent years, researchers have become increasingly interested in the utilization of EEG signals to discover characteristics and patterns that relate to a certain psychiatric disease. Patients undergoing depression treatment must wait four to six weeks before a clinician assesses medication response due to the delayed noticeable effects of antidepressants. The identification of treatment response closer to its start has the potential of introducing several benefits for people suffering from depression, by reducing the emotional and economic burden of depression patients, as treatments that are not effective can be replaced weeks earlier. In this thesis, we approach the prediction of patient response to treatment as a classification problem, by utilizing the dynamic properties of EEG recordings of depression patients undergoing antidepressant treatments. We investigate the application of state-of-the-art motif discovery algorithms SCRIMP++ and OSTINATO to EEG recordings and propose a workflow from motif extraction to building a classifier with high predictive performance. Motifs with different lengths are extracted from three frequency bands: alpha, beta and theta, and used as features in simpler and more interpretable models. The proposed feature extraction process consists of motif selection criteria and handling of class and gender imbalances. The database consists of 176 patients in total and is divided into a training and a separate testing set. We investigated four classifiers, out of which the SVM classifier had the best performance with an accuracy score of 0.738 and an F1 score of 0.732 on the testing set. The results demonstrate that the dynamic properties of the EEGs potentially hold information that could aid in discriminating between responders and non-responders. This master thesis is part of the international research project "Learning Synchronization Patterns in Multivariate Neural Signals for Prediction of Response to Antidepressants", a joint international project by the University of Vienna, the Czech Academy of Sciences, and the National Institute of Mental Health of the Czech Republic.