search query: @keyword network analysis / total: 9
results-list
reference: 2 / 9
« previous | next »
Author:Kujala, Rainer
Title:Modular structure of functional brain networks during movie viewing and rest
Funktionaalisten aivoverkkojen moduulitason rakenne elokuvan katselun ja levon aikana
Publication type:Master's thesis
Publication year:2014
Pages:vi + 72 s. + liitt. 12      Language:   eng
Department/School:Lääketieteellisen tekniikan ja laskennallisen tieteen laitos
Main subject:Laskennallinen tiede   (Becs-114)
Supervisor:Saramäki, Jari
Instructor:Kumar Pan, Raj
Electronic version URL: http://urn.fi/URN:NBN:fi:aalto-201507013706
OEVS:
Electronic archive copy is available via Aalto Thesis Database.
Instructions
close

Reading digital theses in the closed network of the Aalto University Harald Herlin Learning Centre

In the closed network of Learning Centre you can read digital and digitized theses not available in the open network.

The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/

You can read theses on the Learning Centre customer computers, which are available on all floors.

Logging on to the customer computers

  • Aalto University staff members log on to the customer computer using the Aalto username and password.
  • Other customers log on using a shared username and password.

Opening a thesis

  • On the desktop of the customer computers, you will find an icon titled:

    Aalto Thesis Database

  • Click on the icon to search for and open the thesis you are looking for from Aaltodoc database. You can find the thesis file by clicking the link on the OEV or OEVS field.

Reading the thesis

  • You can either print the thesis or read it on the customer computer screen.
  • You cannot save the thesis file on a flash drive or email it.
  • You cannot copy text or images from the file.
  • You cannot edit the file.

Printing the thesis

  • You can print the thesis for your personal study or research use.
  • Aalto University students and staff members may print black-and-white prints on the PrintingPoint devices when using the computer with personal Aalto username and password. Color printing is possible using the printer u90203-psc3, which is located near the customer service. Color printing is subject to a charge to Aalto University students and staff members.
  • Other customers can use the printer u90203-psc3. All printing is subject to a charge to non-University members.
Location:P1 Ark Aalto  1418   | Archive
Keywords:network analysis
brain networks
modules
verkostoanalyysi
fMRI
aivoverkot
moduulit
Abstract (eng): Network science has successfully shed light on the large-scale structure of various complex systems, such as social networks and the Internet.
One area of study where the concepts and tools of network science are increasingly applied, is the analysis of brain imaging data, where the goal is to better understand the structure and function of the human brain.

fMRI is a brain imaging modality that produces data that is more and more commonly approached from the network perspective. fMRI data itself consists of time series of activations of 3D voxels.
Because of this, the data have to be transformed to a meaningful network representation, which involves a number of challenges.

One of the challenges is to decide what the nodes of a functional brain network should represent - e.g. voxels, data-driven aggregations of voxels, or anatomical brain areas.
There is probably no perfect solution to this problem.
In this work, we approach the problem by analyzing functional brain networks both at the level of nodes corresponding to individual voxels and at the level of network modules, which are obtained using data-driven methods for network partitioning.

As a test bed for our approach, we use data from fMRI scans of 13 subjects in two experimental conditions, where the subjects are either viewing a movie or resting.
In this work we will focus on highlighting how the different conditions are rejected on the differences in the module-level network structure.

Based on our analysis, we conclude that data-driven network partitioning can greatly help in understanding the network structure.
Especially, we find that the network coarse-graining approach developed in this Thesis is useful in unveiling the overall topology of fine-grained functional brain networks.
Abstract (fin): Verkostotiede on auttanut ymmärtämään monien kompleksisten systeemien, kuten esimerkiksi sosiaalisten verkostojen ja Internetin, yleistä rakennetta.
Yksi tutkimusala, jossa verkostotieteen käsitteitä ja työkaluja käytetään enenevissä määrin, on aivokuvantamisdatan analyysi, jonka tavoitteena on ymmärtää paremmin aivojen rakennetta ja toimintaa.

Funktionaalinen magneettikuvantaminen (fMRI) on aivokuvantamismetodi, jonka tuottamaa dataa on usein lähestytty verkostoanalyysin näkökulmasta.
Tämä data koostuu itsessään 3D-vokseleiden aktivaatioaikasarjoista, minkä vuoksi se täytyy muuntaa verkostopresentatioon.
Tähän muunnokseen liittyy lukuisia ongelmia.
Yksi haasteista on määritellä, mitä verkoston solmut tarkkaan ottaen kuvaavat - vokseleita, niistä datalähtöisesti koostettuja aggregaatteja, vai anatomisia aivoalueita.
Tälle ongelmalle on tuskin olemassa täydellistä ratkaisua.
Tässä työssä ongelmaa lähestytään analysoimalla verkostoja sekä vokseleiden että datalähtöisesti rakennettujen moduulien tasolla.

Lähestymistapaa testataan fMRI-datalla, joka koostuu 13 ihmisen kuvantamisdatasta kahdessa eri tapauksessa, joissa ihmiset joko katsovat elokuvaa tai lepäävät.
Työssä keskitytään erityisesti näyttämään, kuinka nämä eri mittausolosuhteet heijastuvat eroihin funktionaalisten aivoverkkojen moduulitason rakenteessa.

Analyysin perusteella tullaan siihen päätelmään, että verkkojen datalähtöinen partitiointi voi auttaa merkittävästi niiden kokonaisrakenteen hahmottamisessa.
Erityisesti työssä kehitetty menetelmä verkkojen karkeistamiseksi osoittautui hyödylliseksi funktionaalisten aivoverkkojen rakenteen ymmärtämisessä.
ED:2014-06-26
INSSI record number: 49340
+ add basket
« previous | next »
INSSI