Sirvi Autor "Velner, Mari Liis" järgi

Nüüd näidatakse 1 - 2 2

Aju aktiivsuse analüüs otsuste tegemise vältel
(2019) Velner, Mari Liis; Raul Vicente Zafra
Orbitofrontaalne ajukoor (OFC) on aju ees istuv piirkond, mille toimimist ei ole suudetud täielikult mõista. Siiski on see selgelt seotud otsuste tegemisega, nagu on näidatud paljudes viimastel aastakümnetel läbi viidud neuroloogiauuringutes. Saez jt [1] on oma viimases uuringus leidnud tõendeid selle kohta, et OFC kõrge sagedusega aktiivsus (HFA) 70-200 Hz vahel on otseselt seotud käitumisreaktsioonidega otsuste tegemisel. Näiteks näitasid Saez jt, et mõned HFA modulatsioonid korreleeruvad inimese valikuga ja tagajärgedega lihtsa kihlveo mängus. Saez jt viisid läbi analüüsi ühe muutujaga lineaarse regressiooniga, ennustades HFA väärtusi korraga ühest ülesandega seotud parameetrist, et leida elektroode, mis kodeerivad otsuste tegemisega seotud informatsiooni. Antud magistritöö keskendus Saez jt tulemuste ja analüüsi laiendamisele, rakendades mitmemõõtmelisi meetodeid, et avastada keerulisi signaale ja olulisi mustreid neuroloogilistes andmetes. Selleks kasutati 600 erineval andmekogumil kanoonilist korrelatsioonianalüüsi ja klasterdamist, et leida mustreid elektroodide aktiivsusmõõdetes ja käitumuslike reaktsioonide keerukaid kombinatsioone kodeerituna inimaju signaalides. Lisaks kasutati masinõppemeetodeid, et analüüsida patsientide käitumissuundumusi riskivõtmise suhtes hasartmänguülesandes ja ennustada närviandmetest ülesandega seotud sündmusi nagu võitmine, kaotamine ja riskivõtmine. Enamiku meetoditega saavutati mõõdukad kuni head tulemused, kuid põhjalikum analüüs on siiski vajalik, et saada täielik arusaam sellest, kuidas orbitofrontaalse ajukoore aktiivsus põhjustab inimkäitumist otsuste tegemisel.
Inimeste intrakraniaalsete EEG salvestiste põhjal epileptiliste hoogude ennustamiseks sobivate tunnuste analüüs
(2017) Velner, Mari Liis; Raul Vicente Zafra
Epilepsiahooge on üritatud ennustada mitmeid aastakümneid, kasutades tipptasemel tunnuseid ja masinõppemeetodeid. Kui õnnestuks välja töötada süsteem, mis reaalajas hoiatab patsiente eelseisvate hoogude eest, parandaks see oluliselt patsientide elukvaliteeti. Epilepsiahoogude ennustamine koosneb kahest etapist: tunnuste ekstraheerimine ning näidiste klassifitseerimine hoogudevaheliseks (tavaline ajaperiood) või hooeelseks. Enamasti kasutatakse EEG andmeid, sest EEG on odav, transporditav ning väljendab muutusi ajudünaamikas kõige täpsemini. Kui enamik uuringuid keskendub uudsete tunnuste ekstraheerimisele või uute klassifitseerimisalgoritmide rakendamisele, siis antud bakalaureusetöö eesmärk oli välja selgitada, missugused kasutatavad tunnused on kõige olulisemad. Kui on teada, missugused tunnused kõige rohkem mõjutavad ennustamistulemusi, aitab see paremini aru saada nii klassifitseerimisalgoritmide tööprotsessist kui ka ajudünaamikast ning vähendada tunnuste hulka, mida masinõppes kasutada, muutes seega klassifitseerimisprotsessi efektiivsemaks. Bakalaureusetöös kasutati kahe patsiendi intrakraniaalseid EEG andmeid ning kolme algoritmi scikit-learn teegist, mida kombineeriti meetoditega, mis hindavad tunnuste mõju. Saadud ennustustäpsused olid mõõdukalt head kuni suurepärased ning võimaldasid seega analüüsida tunnuste mõju usaldusväärselt iga klassifitseerimisalgoritmi kohta.