Supervised and unsupervised models of brain networks for brain decoding
Beyin durumu tanıma için gözetimli ve gözetimsiz olarak oluşturulan beyin ağları
- Tez No: 520877
- Danışmanlar: PROF. DR. FATOŞ TUNAY YARMAN VURAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 107
Özet
Bu tezde insan beyni için işlemsel ağ modelleri önerildi. Modeller, denekler belli bilişsel görevleri gerçekleştirirken kaydedilen fMRI ölçümlerinden elde edildi. Dinamik ağlarla insan beynindeki üst seviye bilişsel görevler modellendi. Bu görevlerden temsil edebilmek için gözetimli ve gözetimsiz makine öğrenimi teknikleri kullanıldı. Tezin ilk kısmında, gözetimsiz çok-çözünürlüklü beyin ağı modeli önerdik. İlk olarak, dalgacık (wavelet) dönüşümünü kullanarak sinyali çoklu alt-bantlara ayrıştırıp sonra her alt-bant için ayrı ayrı yerel beyin ağı oluşturduk. Daha sonra, oluşturulan beyin ağlarının alt boyutlardaki bağlanım örüntülerini öğrenmek için yığınlanmış gürültü giderici oto-kodlayıcı denilen derin öğrenme mimarisini kullandık. Son olarak, öğrenilen bağlanım örüntüleri farklı alt-bantlar boyunca uç uca eklenip hiyerarşik kümeleme ile gruplandı. Rand indeks ve ayarlanmış rand indeks değerlerini ölçerek, önerilen modelin“Human Connectome Project”verilerinin içerdiği bilişsel durumları başarılı şekilde ayrıştırdığını gösterdik. Bu tezin ikinci kısmında, karmaşık problem çözmenin alt görevlerini modellemek ve ayrıştırmak için gözetimli dinamik fonksiyonel beyin ağları oluşturduk. İlk olarak, fMRI görüntülerinin uzamsal çözünürlüğünü düşürüp zamansal çözünürlüğünü yükselten yeni bir ön işleme yöntemi önerdik. Sonra, yapay sinir ağları kullanarak dinamik fonksiyonel beyin ağları oluşturduk. Oluşturulan ağlar, karmaşık problem çözmenin fazlarını başarılı şekilde ayırt etti. Son olarak, oluşturulan beyin örüntülerinin ağ özelliklerini, planlama ve uygulama fazları sırasındaki merkezleri ve birbirine yoğun şekilde bağlı anatomik bölgeleri açığa çıkarmak için analiz ettik. Sonuçlar, planlama fazında, uygulama fazından daha fazla merkezin olduğunu ve kümelerin daha sık bağlanım yaptığını açıkça gösterdi.
Özet (Çeviri)
In this thesis, we propose computational network models for human brain. The models are estimated from fMRI measurements, recorded while subjects perform a set of cognitive tasks. We employ supervised and unsupervised machine learning techniques to represent high level cognitive tasks of human brain by dynamic networks. In the first part of this thesis, we propose an unsupervised multi-resolution brain network model. First, we decompose the signal into multiple sub-bands using Wavelet transform and estimate a set of local meshes at each sub-band. Then, we use stacked denoising auto-encoders to learn low-dimensional connectivity patterns from constructed mesh networks. Finally, learned connectivity patterns are concatenated across different frequency sub-bands and clustered using a hierarchical clustering method. Results show that our proposed model successfully decodes the cognitive states of Human Connectome Project, yielding high rand and adjusted rand indices. In the second part of this thesis, we propose a supervised dynamic brain network model to decode the cognitive subtasks of complex problem solving. First, the raw fMRI images are passed through a preprocessing pipeline that decreases their spatial resolution while increasing their temporal resolution. Then, dynamic functional brain networks are constructed using neural networks. Constructed networks successfully distinguish the phases of complex problem solving. Finally, we analyze the network properties of constructed brain networks to identify potential hubs and clusters of densely connected anatomic regions during planning and execution subtasks. Results show that there are more potential hubs during planning and that clusters are more strongly connected in planning compared to execution.
Benzer Tezler
- Yapay sinir ağları kullanılarak İstanbul Menkul Kıymetler Borsası indeks öngörüsü
Başlık çevirisi yok
TOLGA ULUSOY
- Yapay sinir ağları ve bir işletmede maliyet/üretim miktarı ilişkisinin yapay sinir ağı ile belirlenmesi
Artifical neural networks and a cost forecasting application in an enterprise
ÖMER ENGİN POLAT
Yüksek Lisans
Türkçe
2003
İşletmeSakarya Üniversitesiİşletme Ana Bilim Dalı
YRD. DOÇ. DR. HARUN REŞİT YAZGAN
- Grup teknolojisi imalat sistemleri tasarımı için bir metodoloji ve bu metodolojinin endüstride uygulanması
Başlık çevirisi yok
NEVİN AYDIN
Doktora
Türkçe
1998
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. M. BÜLENT DURMUŞOĞLU
- Towards adaptive brain-computer interfaces: Statistical inference for mental state recognition
Uyarlanabilir beyin-bilgisayar arayüzlerine doğru: Zihinsel durum tanıma için istatistiksel çıkarım
MASTANEH TORKAMANI AZAR
Doktora
İngilizce
2020
BiyomühendislikSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜJDAT ÇETİN
Prof. Dr. SELİM SAFFET BALCISOY
- Değiştirilmiş kohonen ağı simülasyon programı
A Simulation program for modified kohonen network
ENDER TUNÇ EROĞLU
Yüksek Lisans
Türkçe
1993
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. UĞUR ÇİLİNGİROĞLU