Comparıson of truncatıon and otsu-based thresholds for decodıng subthreshold motor cortıcal actıvıty ın extracellular neural recordıngs
Kırpma eşiklerinin ve otsu-tabanlı eşiklerin eşik altı hücre dışı sinirsel kayıtlarda motor korteks etkinliğinin şifre çözümünün karşılaştırılması
- Tez No: 953324
- Danışmanlar: DOÇ. DR. MURAT OKATAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Science and Technology, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
- Bilim Dalı: Hesaplamalı Bilim ve Mühendislik Bilim Dalı
- Sayfa Sayısı: 132
Özet
\definecolor{first}{HTML}{3399FF} \definecolor{unified}{HTML}{FF8000} Bu çalışma, aksiyon potansiyeli bandındaki hücre dışı sinirsel kayıtlarını sinyal ve“gürültü”olarak bilinen eşik altı bileşene ayırmaya olanak tanıyan Kırpma Eşikleri ve Otsu Tabanlı Eşikler olmak üzere iki otomatik yöntemi incelemektedir. Geleneksel yöntemler genellikle eşik üstü veriye odaklanmaktadır. Ancak bu iki yöntem, eşik altı bileşenleri analiz ederek sinirsel verilerden davranış tahmininde yenilikçi bir yaklaşım sunmaktadır. Önceki çalışmalar, Kırpma Eşikleri yöntemiyle tanımlanan eşik altı bileşenin özniteliklerinin (ortalama, $\mu$, ve standart sapma, $\sigma$) sıçanın sağ veya sol pedala basma davranışına göre değiştiğini göstermiştir. Ayrıca, bu özniteliklerin kullanımıyla davranışın \%100'e varan doğrulukla tahmin edilebileceği bildirilmiştir. Simüle edilmiş hücre dışı aksiyon potansiyeli verileriyle yapılan analizler, Otsu Tabanlı Eşikler yönteminin, eşik altı bileşenin standart sapmasını Kırpma Eşikleri yöntemine kıyasla daha doğru şekilde hesapladığını ortaya koymuştur. Özellikle, Otsu Tabanlı Eşikler yöntemi, artan nöron ateşleme oranlarından etkilenmeyerek daha sağlam bir tahmin sunduğu belirlenmiştir. Bu çalışma, gerçek deney verileri üzerinden Otsu Tabanlı Eşikler yöntemiyle tahmin edilen eşik altı bileşenin özniteliklerinin davranışı tahmin etmedeki etkinliğini değerlendirmeyi amaçlamaktadır. Bu çalışmada, gerçek sıçan verisi kullanılmıştır. Deneysel veriler, Dr. Mehmet Kocatürk tarafından sağlanmıştır. Deney düzeneği, iki set halinde düzenlenmiş toplam 16 kayıt kanalından oluşmaktadır. Her bir set, 8 platin-iridyum mikro tel içermektedir. Bu mikro teller, sıçanın birincil motor korteksinde ön ayak bölgesine yerleştirilmiş ve motor kortikal aktiviteleri izlemek amacıyla kullanılmıştır. Deney ortamı, sıçanın burnunu sokarak denemeyi başlattığı foto-detektörlü bir delik, yanıt için kullanılan iki kol (sağ ve sol) ve bir pleksiglas kafes içermektedir. Ek olarak, kafesin içinde ve dışında yer alan iki set LED bulunmaktadır. Kafes LED'leri deney ortamının içindeki ışıkları, Hedef LED'ler ise deney ortamının dışındaki ışıkları temsil etmektedir. Buna ek olarak, mekanik bir kol üzerinde konumlandırılmış Kılavuz LED yer almaktadır. Deney süreci sıçanın foto-detektörü tetiklemesi ile başlar. Bu an, \textbf{Başlangıç Noktası} olarak tanımlanır. Ardından, rastgele bir şekilde Kafes LED'leri ve Hedef LED'ler sağ veya sol tarafta yanarak deneğe yön gösterir. Aynı anda, Kılavuz LED yanar ve robot kol yanan Hedef LED yönüne hareket eder. \textbf{Yanıt Noktası} olarak adlandırılan aşamada, sıçan bir kola basar. Eğer doğru kola basarsa, yaklaşık 0.03 mL su ile ödüllendirilir. Denek, deneyi başlatmayı ve doğru kola basmayı bir eğitim evresi sonucunda öğrenmiştir ve bilmektedir. Sol kola basmak için sol patisini, sağ kola basmak için sağ patisini kullanmaktadır. Motivasyonu artırmak amacıyla, deney seanslarından önce 21 saat boyunca sudan mahrum bırakılmıştır. Elde edilen kayıtlar, aksiyon potansiyeli bandında (400 Hz - 8 kHz) filtrelenerek kullanılmıştır. Bu deneyden elde edilen veriler, 40 kHz örnekleme hızına sahip 16 kayıt kanalını ve 80 denemeyi içermektedir. Her deneme, 0.5 saniyelik 8 davranışsal evreye ayrılmıştır. Evreler, Başlangıç Öncesi evreler ($E_1$–$E_4$), Başlangıç Sonrası evre ($E_5$), Yanıt Öncesi evre ($E_6$) ve Yanıt sonrası evreler ($E_7$–$E_8$) olarak Başlangıç ve Yanıt Noktaları referans alınarak belirlenmiştir. Kaydedilen yanıtlar, sağ (R) ve sol (L) olmak üzere iki tipe ayrılmaktadır. Eşik altı bileşeni analiz etmek amacıyla, her bir evreden eşik altı değerler kullanılarak öznitelikler çıkarılmıştır ve eşiklerin hesaplanma süresi ($t_t$ ve $t_o$) kaydedilmiştir. Kırpma Eşikleri yönteminde elde edilen öznitelikler $\mu_t$ ve $\sigma_t$ Maksimum Olabilirlik Tahmini ile hesaplanmış olup, Otsu Tabanlı Eşikler yönteminde elde edilen öznitelikler $\mu_o$ ve $\sigma_o$ eşik altı sinyalin ortalaması ve standart sapması olarak belirlenmiştir. Sıçanın davranışıyla ilişkili olarak $\mu$ ve $\sigma$ değerlerinin bağımlılığı analiz edilmiştir. Bu analizde, belirli evrelerin ve evre gruplarının, özellikle sıçanın sağ (R) ve sol (L) kol basışlarını ayırt etme açısından anlamlı davranışsal bilgiler içerip içermediği değerlendirilmiştir. İlk aşamada, bu davranışsal farklılıkları ortaya koyan evreler veya evre gruplarının belirlenmesi amaçlanmıştır. Tekil Evre yaklaşımı, her bir evre ($E_1$–$E_8$) için $\mu$ ve $\sigma$ değerlerinin ayrı ayrı değerlendirilmesini içerir. Bu yaklaşım, her evrenin davranışsal etkisini ve farklılığını analiz etmek için tasarlanmıştır. Sıfır hipotezi, deneğin R veya L kola bastığı durumlarda evreler ($E_1$–$E_8$) arasında $\mu$ veya $\sigma$ değerlerinde istatistiksel olarak anlamlı farklar olmadığını öne sürmektedir. Bu varsayım, evreler arası istatistiksel bağımsızlık fikrine dayanır. Bu hipotezi test etmek amacıyla, her bir kanal ayrı bir kaynak olarak ele alınmış ve analiz edilmiştir. Kanalların tekil verileri, evreler arasındaki farkları daha detaylı bir şekilde değerlendirebilmek için kullanılmıştır. Her kanalın veri kümesi, 80 denemeden oluşmaktadır. Her evredeki toplam 80 yanıt, yanıt tiplerine göre iki farklı gruba ayrılmıştır (ör. $E_1$-R, $E_1$-L, $E_2$-R, $E_2$-L, vb.). Tüm evreler ($E_1$–$E_8$) için gruplar arasındaki anlamlı farklılıkları belirlemek amacıyla önce Kruskal-Wallis (KW) testi uygulanmış, ardından çoklu karşılaştırma testi gerçekleştirilmiştir. Bu testte örneğin: $E_1$-R ve $E_1$-L, $E_2$-R ve $E_2$-L gibi gruplar karşılaştırılmıştır. Bu işlem tüm kanallar ve her iki yöntem için tekrarlanmıştır. Analizin sonucunda, $E_6$, $E_7$ ve $E_8$ evrelerinde $\mu_t$, $\sigma_t$, $\mu_o$ ve $\sigma_o$ özniteliklerinin tamamında, bazı kanallarda istatistiksel olarak anlamlı farklılıklar gözlemlenmiştir. Çoklu Evre yaklaşımı, analizlerde Başlangıç Noktası referans olarak alınarak yapılmıştır. Bu yaklaşımda, iki farklı kategori değerlendirilmiştir: Başlangıç Öncesi ($E_1$–$E_4$) ve Başlangıç Sonrası ($E_5$–$E_8$). Bu kategoriler, deneğin davranışlarının farklı evre gruplarındaki etkilerini anlamak için temel alınmıştır. Sıfır hipotezi, deneğin R veya L kola bastığı durumlarda, Başlangıç Öncesi ve Başlangıç Sonrası kategorileri arasında $\mu$ veya $\sigma$ değerlerinde istatistiksel olarak anlamlı farklar olmadığını varsaymıştır. Bu hipotez, kategoriler arasında istatistiksel bağımsızlık fikrine dayanır. Bu hipotezin testi, Tekil Evre yaklaşımı'ndaki adımları takip ederek yapılmıştır. Her bir kanal ayrı bir kaynak olarak ele alınmıştır. Her kanal için veri kümesi, 80 denemeden oluşmaktadır. Her kategoriye ait toplam 80 yanıt, iki gruba ayrılmıştır: Başlangıç Öncesi-R, Başlangıç Öncesi-L, Başlangıç Sonrası-R ve Başlangıç Sonrası-L. Bu gruplar arasında, Başlangıç Öncesi-R ile Başlangıç Öncesi-L ve Başlangıç Sonrası-R ile Başlangıç Sonrası-L grupları arasındaki anlamlı farkları kontrol etmek amacıyla çoklu karşılaştırma testi gerçekleştirilmiştir. Bu işlem tüm kanallar ve her iki eşik yöntemi için tekrarlanmıştır. Sonuç olarak, Başlangıç Sonrası kategorisinde $\mu_t$, $\sigma_t$, $\mu_o$ ve $\sigma_o$ özniteliklerinin tamamında, bazı kanallarda istatistiksel olarak anlamlı farklılıklar gözlemlenmiştir. Öznitelikler ile deneğe ait davranışsal bilgilerin istatistiksel olarak anlamlı farklar gösterdiği belirlendikten sonra, analiz sürecine davranış çözümleme ile devam edilmiştir. Bu doğrultuda, tanımlanan tekil evreler ve evre gruplarından elde edilen öznitelikler ($\mu$ ve $\sigma$) kullanılarak doğru kola basma olasılığı modellenmiştir. Bu modelleme sürecinde lojistik regresyon ($LR$) yöntemi uygulanmıştır. Modelleme, evreler ve evre gruplarında anlamlı davranışsal bağımlılıkların gözlemlendiği durumlar dikkate alınarak gerçekleştirilmiştir. Çalışma kapsamında bu doğrultuda yedi aday $LR$ modeli geliştirilmiştir. Modeller, temel referans noktası olan $LR_{Const}$ modeli, bireysel evrelere dayalı modeller ($LR_{E_5}$, $LR_{E_6}$, $LR_{E_7}$, $LR_{E_8}$) ve birleşik evrelere dayalı modeller ($LR_{E_6:E_8}$ ve $LR_{Post}$) şeklinde sınıflandırılmıştır. Aday $LR$ modeller belirlendikten sonra, her kanal için toplamda 28 model oluşturulmuştur (2 öznitelik, 2 yöntem, 7 $LR$ modeli). Ardından, iki paralel süreç yürütülmüştür. İlk süreçte düzeltilmiş Akaike Bilgi Kriteri ($AICc$) hesaplanmış, modeller $AICc$ değerlerine göre karşılaştırılmış ve en düşük $AICc$ değerine sahip model, en iyi açıklayıcı model olarak belirlenmiştir. Tum kanallari kapsayan analiz sonucunda, Kırpma Eşikleri ve Otsu Tabanlı Eşikler yöntemleriyle elde edilen en iyi açıklayıcı modellerin birbirine denk olduğu görülmüştür ($\Delta AICc=0$). İkinci süreçte, davranış çözümleme modellerinin doğruluk oranları arasındaki fark test edilmiştir. Bu süreçte, modeller, karar sınırını 0.5'e yakın tutarken doğruluk oranını en üst düzeye çıkarmayı hedefleyen bir algoritma ile eğitilmiştir. Analizde, sinirsel veriden elde edilen öznitelikler tahmin değişkenleri olarak ele alınmış, sıçana ait davranışsal yanıt değerleri (R veya L) ise sonuç değişkenleri olarak değerlendirilmiştir. Bu süreç, iki faktör arasındaki ilişkinin var olduğu varsayımına dayanmaktadır. Davranışsal çözümleme sürecinde, sıfır hipotezi, karıştırılmamış ve karıştırılmış veri ile eğitilen modellerin doğruluk oranları arasında istatistiksel olarak anlamlı bir fark olmadığını öne sürmektedir. Bu hipotezi test etmek amacıyla, veri seti \%50 eğitim ve \%50 test gruplarına ayrılmıştır. Eğitim sürecinde, optimum karar sınırı belirlenmiş ve ardından test doğruluk oranı ($acc$) kaydedilmiştir. Bu işlem, Monte Carlo yöntemiyle belirlenen ve $K = 10^4$ olan iterasyon sayısına göre $K$ kez tekrarlanmıştır. Böylece, doğruluk oranlarını içeren bir vektör ($\overrightarrow{acc}$) oluşturulmuştur. Kontrol amaçlı bir analiz kapsamında, yanıt değişkenleri rastgele karıştırılarak ilişkiler bozulmuştur. Bu veri seti, orijinal analizde uygulanan süreçlere benzer şekilde işlenmiş ve doğruluk oranı ($acc_{\text{shuffle}}$) hesaplanmıştır. Elde edilen sonuçlar doğrultusunda bir karşılaştırma vektörü ($\overrightarrow{acc}_{\text{shuffle}}$) oluşturulmuştur. Monte Carlo simülasyonları kullanılarak, her bir kanal, yöntem, öznitelik ve $LR$ model kombinasyonu için tek yönlü $P$ değeri ($P_{1-sided}^{MC}$) hesaplanmıştır. \newpage Elde edilen sonuçlar, her bir kanala ait modeller arasında çözümleme performansının farklılık gösterdiğini ortaya koymuştur. Başarılı davranışsal çözümleme yapan modeller, hesaplanan $P_{1-sided}^{MC}$ değerinin $0.05$'ten küçük olmasıyla ayırt edilmiştir. Bu durum, belirlenen özniteliklerin ve yöntemlerin davranış çözümleme açısından anlamlı katkılar sunduğunu göstermektedir. Sonraki aşamada, her bir model için bu iki paralel süreçte hesaplanan $AICc$, $P_{1-sided}^{MC}$ ve $\overrightarrow{acc}$ değerlerinin ortalamaları $\overline{acc}$, analizlerde kullanılmak üzere saklanmıştır. Bu tez, hücre dışı sinirsel kayıtlarının eşik altı bileşenlerini değerlendirmek amacıyla Kırpma Eşikleri ve Otsu Tabanlı Eşikler yöntemlerini karşılaştırmaktadır. Çalışmanın temel amacı, bu iki yöntemin davranış çözümlemedeki etkinliğini inceleyerek doğruluk oranlarındaki olası farklılıkları belirlemektir. Her kanal için, iki yönteme ait doğruluk değerleri hesaplanarak vektörler ($\overrightarrow{\overline{acc_{t}}}$ ve $\overrightarrow{\overline{acc_{o}}}$) oluşturulmuştur. Bu doğruluk değerleri, ilgili kanal ve yöntem için belirlenen \textcolor{first}{optimal modelin} $\overline{acc}$ değerleridir. Model seçiminde, her kanal ve yöntem için 2 öznitelik ve 7 $LR$ modeli dikkate alınarak toplamda 14 aday model değerlendirilmiştir. En düşük $AICc$ değerine sahip ve başarılı davranışsal çözümleme sağlayan ($P_{1-sided}^{MC} < 0.05$) model, \textcolor{first}{optimal model} olarak atanmış ve doğruluk değeri yöntemler arasındaki farkı test etmek için kullanılan vektöre eklenmiştir. İki yöntem arasındaki farkları değerlendirmek için Wilcoxon işaretli sıralar testi uygulanmış ve sonuçlar sıfır hipotezin reddi için yeterli kanıt bulunmadığını göstermiştir. Bu durum, Kırpma Eşikleri ve Otsu Tabanlı Eşikler yöntemleri arasında doğruluk açısından anlamlı bir fark olmadığını ortaya koymaktadır. Eşikleme yöntemlerinin karşılaştırılmasının ardından, davranışsal çözümlemenin pratik uygulanabilirliği iki açıdan incelenmiştir. İlk olarak, aday $LR$ modellerinin davranış çözümleme performansları değerlendirilmiştir. İkinci olarak, her eşikleme yönteminin hesaplama süresi analiz edilerek verimlilik açısından karşılaştırma yapılmıştır. Farklı $LR$ modellerinin davranış çözümleme doğruluğunda anlamlı bir farklılık olup olmadığını belirlemek için sıfır hipotez şu şekilde tanımlanmıştır:“$LR$ modelleri arasında doğruluk oranları açısından istatistiksel olarak anlamlı bir fark yoktur.”Model seçiminde, her kanal ve $LR$ modeli için 2 öznitelik ve 2 eşikleme yöntemi dikkate alınarak toplamda 4 aday model değerlendirilmiştir. En düşük $AICc$ değerine sahip ve aynı zamanda başarılı davranışsal çözümleme sağlayan ($P_{1-sided}^{MC} < 0.05$) model, \textcolor{unified}{optimal model} olarak belirlenmiş ve doğruluk değeri karşılaştırma vektörüne eklenmiştir. Bu süreç sonucunda, \textcolor{unified}{optimal model} belirlenebilen beş $LR$ modeli için doğruluk vektörleri oluşturulmuştur: $\overrightarrow{\overline{acc}}_{LR_{E_6}}$, $\overrightarrow{\overline{acc}}_{LR_{E_7}}$, $\overrightarrow{\overline{acc}}_{LR_{E_8}}$, $\overrightarrow{\overline{acc}}_{LR_{E_6:E_8}}$ ve $\overrightarrow{\overline{acc}}_{LR_{Post}}$. Analiz sonuçları, davranış kodlama doğruluğunun farklı $LR$ modelleri arasında önemli ölçüde değiştiğini doğrulamakta ve bu durum, sıfır hipotezinin reddedilmesine yol açmaktadır. Skillings-Mack testi, bu farklılıklar için istatistiksel kanıt sağlamış olup, daha detaylı inceleme yapılmasını gerektirmiştir. Bu kapsamda, Benjamini-Hochberg düzeltmeli post-hoc çiftli Wilcoxon işaretli sıra testi uygulanarak, çiftli karşılaştırmalar gerçekleştirilmiş, en bilgilendirici özniteliklerin $E_6$ ve $E_7$ evrelerinden geldiği ortaya konmuştur. Sonuçlar, optimum performans için bu zaman aralığına odaklanmanın önemini vurgulamaktadır. İkinci analizde eşik belirleme yöntemlerinin hesaplama süreleri değerlendirilmiş, her yöntemin işlem süresi kaydedilerek en hızlı yöntem belirlenmiştir. Bu doğrultuda, her yöntem için zaman değerleri $t_t$ ve $t_o$ vektörler halinde oluşturulmuş, ardından Wilcoxon işaretli sıra testi kullanılarak karşılaştırılmıştır. Elde edilen sonuçlar, Otsu Tabanlı Eşikler yönteminin, Kırpma Eşikleri yöntemine kıyasla anlamlı ölçüde daha hızlı hesaplandığını göstermektedir. BCI uygulamaları için, $E_6$ ve $E_7$, yanıt anının ±500 ms, evrelerinden öznitelik seçmek, temel davranışsal bilgileri çözümlemek açısından en etkili yaklaşım olarak öne çıkmaktadır. Ayrıca, Otsu Tabanlı Eşikleme yönteminin entegrasyonu, hesaplama sürelerini önemli ölçüde optimize ederek kodlama doğruluğunu güçlendirmekte ve işlem verimliliğini artırmaktadır.
Özet (Çeviri)
\definecolor{first}{HTML}{3399FF} \definecolor{unified}{HTML}{FF8000} This study examines two automated methods that enable the separation of extracellular neural recordings filtered in the action potential band into signal and subthreshold components known as 'noise': Truncation Thresholds and Otsu-based Thresholds. While traditional methods generally focus on suprathreshold data, Truncation Thresholds and Otsu-based Thresholds methods offer a novel approach to behavioral decoding by utilizing subthreshold data. Previous studies have shown that the features (mean ($\mu$) and standard deviation ($\sigma$)) of subthreshold data identified by Truncation Thresholds change with a rat's behavior of pressing either the right or left pedal, and behavior can be decoded with up to 100\% accuracy using these features. It has also been determined that Otsu-based Thresholds estimate the standard deviation of subthreshold components in simulated data more accurately than Truncation Thresholds. It implies that Otsu-based Thresholds method provides a more robust estimation by remaining unaffected by increasing neuronal firing rates. The objective of this study is to assess whether the features of subthreshold data estimated with Otsu-based Thresholds are more effective than Truncation Thresholds for behavior decoding using real data. Extracellular neural recordings, previously obtained from both cerebral hemispheres (using 8 microelectrodes each, with a sampling rate of 40 kHz per electrode) of the rat, were utilized in this study. The subject was trained to press the pedal with its right or left forepaw in response to a visual stimulus. Recordings were filtered within the action potential band (400 Hz – 8 kHz) and data points were obtained for each electrode in a total of 80 trials. The obtained signals were divided into behavioral epochs according to the Start and Response Point of experiment trials to analyze how the extracted features change with behavior. These epochs were called as“Pre-Start”($E_1$–$E_4$),“Post-Start”($E_5$),“Pre-Response”($E_6$), and“Post-Response”($E_7$–$E_8$). Features were calculated during these 8 epochs of behavior using both threshold methods. The relevance of the features in providing information about the rat's behavior in specific epochs or epoch groups was analyzed using two approaches: Individual Epoch and Epoch Grouping. In the Individual Epoch approach, each epoch ($E_1$–$E_8$) was examined separately. First, the Kruskal-Wallis (KW) test was applied to detect overall differences among features, followed by multiple comparison tests, which identified significant differences in specific channels during $E_6$, $E_7$, and $E_8$. In the Epoch Grouping Approach, epochs were divided into two categories based on the Starting Point of each trial (Pre-Start: $E_1$–$E_4$, Post-Start: $E_5$–$E_8$), and it was identified that features showed significant differences in some channels within the Post-Start category. Following these analyses, feature-epoch pairs were used as independent variables in logistic regression ($LR$) models to model the rat's probability of pressing the right lever. Two parallel processes were conducted to evaluate the performance of candidate models during modeling. In the first process, the corrected Akaike Information Criterion ($AICc$) was computed for each combination of channel, feature, method, and $LR$ model. This evaluation facilitated the identification of the model with the best relative goodness-of-fit, namely the model exhibiting the lowest $AICc$ value. Notably, the models derived from Truncation Thresholds and Otsu-based Thresholds demonstrated equivalent goodness-of-fit, as indicated by a $\Delta AICc$ of 0. In the second process, the differences in accuracy rates among behavioral analysis models were tested. During this process, models were trained using an algorithm designed to maximize accuracy while maintaining the decision threshold close to 0.5. In the analysis, features extracted from neural data were treated as predictor variables, while the behavioral response values of the rat (R or L) were considered outcome variables. This process operates under the assumption that a relationship exists between these two factors. In the behavioral analysis framework, the null hypothesis asserts no statistically significant difference in accuracy rates between models trained on unshuffled and shuffled data. To test this, the dataset was split into 50\% training and 50\% testing groups, with the optimal decision boundary determined and test accuracy ($acc$) recorded. This process was repeated $K = 10^4$ times using Monte Carlo simulations, resulting in generation of an accuracy vector ($\overrightarrow{acc}$). For control analysis, response variables were randomly shuffled, processed similarly, and a comparison accuracy vector ($\overrightarrow{acc}_{\text{shuffle}}$) was produced. Monte Carlo simulations were employed to compute one-sided $P$ values ($P_{1-sided}^{MC}$) across channels, methods, features, and $LR$ models. Results revealed performance differences among behavioral analysis models, with successful models identified by $P_{1-sided}^{MC} < 0.05$, indicating that the selected features and methods significantly contributed to behavioral classification. In the subsequent stage, the values calculated for each model in the two parallel processes—$AICc$, $P_{1-sided}^{MC}$, and mean value of $\overrightarrow{acc}$, $\overline{acc}$ —were stored for use in further analyses. This thesis compares Truncation Thresholds and Otsu-based Thresholds to evaluate sub-threshold components in extracellular neural recordings, aiming to assess their effectiveness in behavioral analysis. Accuracy values for each method were computed per channel, forming vectors ($\overrightarrow{\overline{acc_{t}}}$ and $\overrightarrow{\overline{acc_{o}}}$) based on the \textcolor{first}{optimal model}. The model selection involved 14 candidates, considering 2 features and 7 $LR$ models per channel and method. The model with the lowest $AICc$ and a statistically significant classification performance ($P_{1-sided}^{MC} < 0.05$) was designated as \textcolor{first}{optimal}, and its accuracy value contributed to the method comparison. Differences between methods were assessed using the pairwise Wilcoxon signed-rank test, which found no statistically significant difference in accuracy, indicating comparable performance between Truncation and Otsu-based Thresholds. Following the comparison of thresholding methods, the practical applicability of behavioral analysis was examined in terms of model performance and computational efficiency. In the first analysis, to determine whether there were significant differences in behavioral classification accuracy across different $LR$ models -trained by features extracted from behavioral epochs-, the null hypothesis stated that no statistically significant difference exists in accuracy rates among $LR$ models. Four candidate models per channel were assessed, considering two features and two thresholding methods. The model with the lowest $AICc$ and significant behavioral classification performance ($P_{1-sided}^{MC} < 0.05$) was designated as \textcolor{unified}{optimal}. Accuracy vectors were generated by using \textcolor{unified}{optimal model} for each $LR$ model. The results of the analysis confirm that behavioral decoding accuracy varies significantly across different $LR$ models, leading to the rejection of the null hypothesis. The Skillings-Mack test provided statistical evidence of these differences, prompting further investigation through a post-hoc pairwise Wilcoxon signed-rank test with Benjamini-Hochberg correction. The pairwise comparisons revealed that the most informative features for accurate decoding originate from epochs $E_6$ and $E_7$, highlighting the importance of focusing on this temporal window for optimal performance. In the second analysis, the computation times of thresholding methods were evaluated. The time required to compute each threshold was recorded to determine the faster method. Time values for each approach were structured as vectors ($t_t$ and $t_o$) and compared using the pairwise Wilcoxon signed-rank test. The results revealed that the Otsu-based Thresholding method is significantly faster than the Truncation Thresholds method. For BCI applications, selecting features from $E_6$ and $E_7$ proves to be the most effective approach for extracting essential behavioral information. Incorporating Otsu-based Thresholds further enhances this process, ensuring both robust decoding accuracy and optimized computational efficiency.
Benzer Tezler
- Three-dimensional comparison of simulated large eddy structures with the lidar observations
Başlık çevirisi yok
KEMAL GÜRER
Doktora
İngilizce
1995
MeteorolojiUniversity of Wisconsin-MadisonPROF. GREG J. TRIPOLI
DR. EDWIN W. ELORANTA
- Ortogonal olmayan taşıyıcı sistemlerden oluşan çok katlı yapıların yatay yüklere göre hesabı için bir yöntem
Başlık çevirisi yok
MUSTAFA ZORBOZAN
- Comparative analysis of the international regulations and guidelines related to the seismic hazard assessment for nuclear facilities
Nükleer tesisler için sismik tehlike analizleri ile ilgili uluslararası düzenleme ve kılavuzların karşılaştırmalı analizi
BARIŞ GÜNER
Yüksek Lisans
İngilizce
2019
Deprem MühendisliğiOrta Doğu Teknik ÜniversitesiDeprem Çalışmaları Ana Bilim Dalı
PROF. DR. ZEYNEP GÜLERCE
PROF. DR. NURETDİN KAYMAKCI
- Genelleştirilmiş eşit genişlikli dalga (GEW) denkleminin nümerik çözümü için crank-nicolson sonlu fark şeması
Crank-nicolson finite difference scheme for numerical solution of generalized equal width wave (gew) equation
HACER SARIBAŞ
- Meteorolojik kuraklık modellemesi ve Türkiye uygulaması
Meteorological drought modelling and application to Turkey
SEVİNÇ SIRDAŞ
Doktora
Türkçe
2002
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ZEKAİ ŞEN