Longitudinal data analysis with statistical and machine learning methods in neuroscience
Sinirbilimde istatistiksel ve makine öğrenmesi yöntemleriyle boylamsal veri analizi
- Tez No: 749927
- Danışmanlar: DR. ÖĞR. ÜYESİ FULYA GÖKALP YAVUZ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 123
Özet
Farklı koşullar altında beyin aktivitesinin araştırılması birçok sinirbilim çalışmasına konu olmuştur. Bilişsel araştırmalardaki son gelişmeler, işleyen bellek, karar verme, tepki ketleme, algılama ve duyum gibi belirli bilişsel süreçlerin sinirsel bağlantıları üzerinde çalışma fırsatı sağlamaktadır. Beyin tepki çalışmaları, bireylerin beyninin farklı bölümlerinin oluşturduğu çok boyutlu, çok düzeyli veya iç içe geçmiş veri kümelerini oluşturur. Bu nedenle, boylamsal yapılara uygun veri analiz yöntemlerinin uygulanması büyük önem taşımaktadır. Bununla birlikte, beyin tepkisi üzerine yapılan önceki çalışmalarda, verilerin bağımlılığını, çok düzeyli ve iç içe yapısını dikkate almayan yöntemler kullanılmıştır. Bu tezde, yukarıda bahsedilen eksiklikleri gidermek için bilişsel veriler üzerinde farklı istatistiksel ve makine öğrenmesi yöntemlerinin uygulanmasını öneriyoruz. Fonksiyonel yakın-kızılötesi spektroskopisi (fNIRS) aracılığıyla 26 deneğin 36 farklı beyin bölgesinden toplanan optik yoğunluk ölçümlerini içeren açık erişime sahip veri setini analiz ediyoruz. fNIRS sinyalleri, oksihemoglobin ve deoksihemoglobin konsantrasyonlarındaki nispi değişiklikleri ölçmek için kullanılır. Deneklerin farklı beyin bölgelerinden gözlemlerin yer aldığı iç içe veri yapısı da dikkate alınmıştır. Bu tezin içeriği, Doğrusal Karma Model (LMM) ve bu modelin sağlamlaştırılmış versiyonu, GLMM ağacı, RE-EM ağacı, Yansız RE-EM ağacı, LongCART ve GPBoost gibi bilişsel veri yapısına uygun çeşitli algoritmaların kapsamlı bir uygulamasını ve karşılaştırmasını sağlar. Bulgularımızdan birine göre, iç içe yapıya sahip GLMM ağacı, en düşük model performans metriklerini sağladığı için en iyi tahmin performansını gösterir. Bununla birlikte, bu algoritmanın hızı, sağlamlaştırılmış LMM dışındaki diğer yöntemlere kıyasla daha düşük olduğundan, doğruluk ve hız arasında bir ödünleşim vardır.
Özet (Çeviri)
Exploration of brain activity under different conditions has been subject to many neuroscience studies. The recent developments in cognitive studies provide the opportunity to work on neural correlates of specific cognitive processes such as working memory, decision making, response inhibition, perception, and sensation. Brain response studies constitute multidimensional, multilevel or nested data sets formed by different parts of the brain of individuals. Hence, it is of significant importance to implement data analysis methods appropriate for the longitudinal structures. However, previous studies on brain response utilized methods that do not consider the dependency, multilevel and nested structure. In this thesis, we propose to apply different statistical and machine learning methods on cognitive data to fill the aforementioned deficiencies. We analyze open-access data, including optical density measures collected from 36 locations of the brain within 26 subjects through functional near-infrared spectroscopy (fNIRS). fNIRS signals are used to measure relative changes in oxyhemoglobin and deoxyhemoglobin concentrations. The nested structure of the data, which is having observations from different brain regions within subjects, is also considered. The content of this thesis provides a comprehensive implementation and comparison of several statistical and machine learning algorithms which are Linear Mixed Model (LMM) and its robustified version, Generalized LMM Tree (GLMM tree), Random Effects Expectation-Maximization Tree (RE-EM tree), Unbiased RE-EM tree, Longitudinal Classification and Regression Tree, and Gaussian Process Boosting. According to one of our findings, the GLMM tree with nested structure shows the best predictive performance as it provides the lowest model performance metrics. However, there is a trade-off between accuracy and speed since the speed of this algorithm is lower compared to other methods except robustified LMM.
Benzer Tezler
- Irregular longitudinal data analysis with statistical and machine learning methods in asteroid dataset
Asteroid veri kümesinde istatistiksel ve makine öğrenme yöntemleriyle düzensiz boylamsal veri analizi
İREM TANRIVERDİ
Yüksek Lisans
İngilizce
2023
Astronomi ve Uzay BilimleriOrta Doğu Teknik Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. ÖZLEM İLK DAĞ
- Uzun süreli verilerin analizinde kullanılan makine öğrenmesi algoritmaları
Machine learning algorithms for longitudinal data analysis
CAN DEMİRCİGİL
Yüksek Lisans
Türkçe
2024
İstatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. MELİKE BAHÇECİTAPAR
- Olasılıksal sembolik motif tanıma
Probabilistic symbolic pattern recognition
OĞUZ AKBİLGİÇ
Doktora
Türkçe
2022
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. EYLEM DENİZ HOWE
- Adapting a robust model into hybrid implementations of machine learning algorithms and statistical methods for longitudinal data
Sağlam bir modelin makina öğrenmesi algoritmalarının ve istatistiksel metotların hibrit uygulamalarına boylamsal veriler için uyarlanması
İBRAHİM HAKKI ERDURAN
Yüksek Lisans
İngilizce
2021
İstatistikOrta Doğu Teknik Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FULYA GÖKALP YAVUZ
PROF. DR. MERAL EBEGİL
- Longitudinal emotion analysis with globem dataset
Globem veri seti ile boylamsal duygu analizi
ELİF YEŞİM KOÇOĞLU
Yüksek Lisans
İngilizce
2024
İstatistikOrta Doğu Teknik Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. ÖZLEM İLK DAĞ