haku: @keyword musiikki / yhteensä: 31
hakutulos-lista
viite: 14 / 31
« edellinen | seuraava »
Tekijä:Koistinen, Olli-Pekka
Työn nimi:Bayesian Classification of fMRI Patterns for Natural Audiovisual Stimuli Using Sparsity Promoting Laplace Priors
Luonnollisiin audiovisuaalisiin ärsykkeisiin liittyvän fMRI-aktivaation bayesilainen luokittelu harvoja ratkaisuja suosivia Laplace-prioreja käyttäen
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2012
Sivut:[11] + 69      Kieli:   eng
Koulu/Laitos/Osasto:Lääketieteellisen tekniikan ja laskennallisen tieteen laitos
Oppiaine:Laskennallinen tekniikka   (S-114)
Valvoja:Lampinen, Jouko
Ohjaaja:Jylänki, Pasi ; Vehtari, Aki
Elektroninen julkaisu: http://urn.fi/URN:NBN:fi:aalto-201210043223
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  878   | Arkisto
Avainsanat:audiovisual
auditory cortex
automatic relevance determination
Bayesian
classification
expectation propagation
fMRI
Laplace prior
music
speech
audiovisuaalinen
bayesilainen
fMRI
kuuloaivokuori
Laplace-priori
luokittelu
musiikki
puhe
Tiivistelmä (fin): Bayesilaisia lineaarisia binääriluokittelumalleja ja harvoja ratkaisuja suosivia Laplace- prioreja sovellettiin erottelemaan luonnollisiin auditorisiin ja audiovisuaalisiin puhe- ja musiikkiärsykkeisiin liittyvää fMRI-aktivaatiota kuuloaivokuorella ja sitä ympäröivillä auditoriseen prosessointiin liittyvillä alueilla.

Absoluuttisen harvoja posteriorisia odotusarvoratkaisuja luokittimien painoille saatiin expectation propagation -algoritmin avulla toteutetulla automatic relevance determination -menetelmällä (ARDEP).
ARDEP-menetelmässä hyödynnettiin Laplace-priorin gaussista skaalahajotelmaa, jonka skaalaparametrit optimoitiin maksimoimalla niiden marginaalinen posterioritiheys.
Menetelmää verrattiin myös kahteen muuhun menetelmään, jotka integroivat approksimatiivisesti alkuperäisen Laplace-priorin yli: LAEP approksimoi posteriorijakaumaa niin ikään expectation propagation -algoritmin avulla, kun taas MCMC käytti Gibbs -poiminnalla toteutettua Markovin ketju Monte Carlo -simulaatiomenetelmää.

Tuloksena saadut aivokartat olivat linjassa aikaisempien, yksinkertaisemmilla ärsykkeillä saatujen tutkimustulosten kanssa, ja niiden perusteella bayesilaisten luokittelumallien avulla on mahdollista saada myös uudenlaista tietoa siitä, miten luonnollisia audiovisuaalisia ärsykkeitä koodataan aivoissa.
Mallien ennustuskyky oli kaikilla approksimaatiomenetelmillä merkittävästi sattumanvaraista tasoa korkeampi.
Piirteiden voimakkaasta karsinnasta huolimatta ARDEP pystyi kuvaamaan kaikki huomattavimmat LAEP:n ja MCMC:n erottelemat aivoalueet.
ARDEP menetti kuitenkin alueiden tarkemman muodon esittämällä ne yhtenä tai useampana pienempänä alueena, poistaen myös osan merkittävistä piirteistä.
Tiivistelmä (eng): Bayesian linear binary classification models with sparsity promoting Laplace priors were applied to discriminate fMRI patterns related to natural auditory and audiovisual speech and music stimuli.
The region of interest comprised the auditory cortex and some surrounding regions related to auditory processing.

Truly sparse posterior mean solutions for the classifier weights were obtained by implementing an automatic relevance determination method using expectation propagation (ARDEP).
In ARDEP, the Laplace prior was decomposed into a Gaussian scale mixture, and these scales were optimised by maximising their marginal posterior density.
ARDEP was also compared to two other methods, which integrated approximately over the original Laplace prior: LAEP approximated the posterior as well by expectation propagation, whereas MCMC used a Markov chain Monte Carlo simulation method implemented by Gibbs sampling.

The resulting brain maps were consistent with previous studies for simpler stimuli and suggested that the proposed model is also able to reveal additional information about activation patterns related to natural audiovisual stimuli.
The predictive performance of the model was significantly above chance level for all approximate inference methods.
Regardless of intensive pruning of features, ARDEP was able to describe all of the most discriminative brain regions obtained by LAEP and MCMC.
However, ARDEP lost the more specific shape of the regions by representing them as one or more smaller spots, removing also some relevant features.
ED:2012-09-21
INSSI tietueen numero: 45281
+ lisää koriin
« edellinen | seuraava »
INSSI