عنوان پایان‌نامه
کدگشایی حالتهای مغز با استفاده از مدلهای احتمالاتی گرافی و ارتباطات کارکردی مبتنی بر داده fMRI
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2959;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75384
- تاریخ دفاع
- ۱۲ مرداد ۱۳۹۵
- دانشجو
- الهه یارقلی
- استاد راهنما
- غلامعلی حسین زاده دهکردی
- چکیده
- کدگشایی مغز (تشخیص حالت مغزی مربوط به یک الگوی فعالیت مغزی اندازهگیری شده در برابر دیگر الگوهای فعالیت مغزی) به سه شیوه کلی کلاسبندی، بازشناسی و بازسازی محرک انجام میپذیرد. در این پژوهش به منظور افزایش دقت کدگشایی مغز از اطلاعات ارتباطات مغزی با بکارگیری مدلهای احتمالاتی گرافی استفاده شد چرا که این مدلها از ارتباطات در توصیف توزیعهای احتمالاتی بهره میجویند. استفاده از مدلهای احتمالاتی گرافی در گدکشایی مغز کاربرد جدیدی از این ابزار است. شبکههای بیزین برای کدگشایی با بازسازی محرک ارقام دستنویس 6 و 9 بکار رفتند. مدلهای احتمالاتی گرافی (با/ بدون افزودن ارتباطات مغزی) به میانگین خطا فاصله شهر-بلوک 0.1071 دست یافتند که به طور متوسط %5 کمتر از خطای روشهای قبل است. در این پژوهش برای اولین بار طبقهبندی کننده نایو بیز بهبودیافته بر داده تصاویر تشدید مغناطیسی کارکردی اعمال شد تا اطلاعات ارتباطات مغزی در کدگشایی با کلاسبندی محرک مورد استفاده قرار گیرد. بکارگیری اطلاعات ارتباطات مغزی بهبود قابل توجه نتایج کدگشایی با کلاسبندی محرک را به همراه خواهد داشت (برتری نتایج حاصل از طبقه بندی کننده نایو بیز بهبودیافته بر نایو بیز). در ادامه شیوه جدیدی برای یادگیری ساختار شبکه های بیزین با ساختار درختی ارایه شد (استفاده از کمیسازهای بازگشت متقابل بجای همبستگی و اطلاعات متقابل) و از شبکههای حاصل برای کدگشایی با بازسازی محرک دو رقم دستنویس 2 و 5 استفاده شد. کمیسازهای بازگشت متقابل خطا فاصله شهر-بلوک را به کمتر از 0.1 کاهش دادند (کاهش خطا تقریبا %5). در پایان نیز از روشهای مبتنی بر داده به منظور بررسی شباهت نواحی مغزی در پاسخ به محرکها استفاده شد و در نتیجه نواحی که فعالیت مشابه داشتند و نیز مکانیسمهای مغزی فعال در این آزمایش مشخص شدند. نتایج حاصل نشان داد در طول آزمایش مشاهده ارقام دستنویس چندین شبکه مغزی فعال هستند (بینایی، حافظه کاری، موتوری و پردازش زبان)، در حالی که با توجه به نتایج انتخاب واکسلها، شبکه پردازش زبان مرتبطترین آنها به فعالیت مورد نظر است. واژه‌های کلیدی: کدگشایی مغز، مدلهای احتمالاتی گرافی، ارتباطات مغزی و کمیسازهای بازگشت متقابل.
- Abstract
- Brain decoding assigns brain states to the measured patterns of brain activities. Classification, identification and reconstruction of stimuli are three general approaches in brain decoding. In the literature, brain connectivity information has only been used as features to distinguish different brain states for decoding-classification. Many recent researches show that the activity of different brain regions has important correlations. We employed the brain connectivity information in brain decoding and developed a novel approach using probabilistic graphical models (PGMs). These models use connectivity to describe probabilistic distributions. To measure the accuracy of the proposed method, we performed decoding-classification and decoding-reconstruction, using probabilistic graphical models and functional connectivity in fMRI data. First, the proposed method was applied to reconstruct images of hand written digits 6 and 9. The results revealed that Bayesian networks can be successfully used in decoding-reconstruction of handwritten digits and the brain connectivity information efficiently improves the performance. Another contribution of this thesis is to apply augmented naïve Bayes classifier for classification of fMRI measurement to take advantage of the brain connectivity information in decoding-classification. The results of different brain lobes (frontal, occipital, parietal and temporal) show that the connectivity information significantly improves decoding-classification. Also, the capability of different brain lobes in decoding-classification of hand written digits were compared to each other. In each lobe, the most contributing areas and the brain connectivities were determined. Connectivities with short distances between endpoints were recognized to be more efficient. Bayesian networks were also proposed for decoding-reconstruction of two hand written digits: 2 and 5. In the reconstruction procedure, the capability of Bayesian networks with tree structure was evaluated since tree structure learning methods are simple approaches, requiring less data and time to be implemented; they are appropriate for the analysis of fMRI data. Tree structure learning use correlation or mutual information to quantify different connections in a network. In this thesis, these measures are substituted with cross recurrence quantifiers (CRQs). CRQs effectively detect linear and nonlinear interactions without requiring long length of data. It is reveled that they significantly reduce the error in decoding-reconstruction. CRQs have never previously been employed in structure learning of Bayesian networks or in functional connectivity analysis of fMRI data. Moreover, data driven methods were applied to investigate the similarity of brain areas in responding to stimuli. This revealed both similar active areas and active mechanisms during this experiment. An important point is that during the experiment of watching hand written digits, there were some active networks (visual, working memory, motor and language processing), while the most relevant one to the task was language processing network according to the voxel selection
