haku: @keyword seasonal affective disorder / yhteensä: 3
hakutulos-lista
viite: 1 / 3
« edellinen | seuraava »
Tekijä:Cao, Yang
Työn nimi:Multi-variate analysis of brain images in seasonal affective disorder
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2013
Sivut:63 s. + liitt. 6      Kieli:   eng
Koulu/Laitos/Osasto:Perustieteiden korkeakoulu
Oppiaine:Informaatiotekniikka   (T-61)
Valvoja:Oja, Erkki
Ohjaaja:Leemput, Koen Van
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  7113   | Arkisto
Avainsanat:neuroimaging
univariate method
multivariate method
sparse learning
SVMs
VMB
RVM
RVoxM
SPM
seasonal affective disorder
Tiivistelmä (eng): In this dissertation, I present different approaches of statistical analysis which can be used in medical research for both structural magnetic imaging and functional imaging.
In particular, I study univariate and multivariate methods and experimented using brain imaging data.

Methods mainly talked in my thesis are voxel-based morphometry (VBM), support vector machine (SVM), relevance vector machine (RVM), and relevance voxel machine (RVoxM).
VBM is a widely used univariate method which is already implanted in the software of MATLAB within the SPM package.
SVM and RVM are two existing multi-variate methods which can solve both classification and regression problems regarding to the brain image scans, and the differences between these two methods are such that the first one is easier to handle in practice while the latter offers more sparse results.
Another multi-variate analysis method RVoxM takes neighbourhood into consideration when comparing with RVM and therefore offers a more reasonable way to think about the future of neuroimaging, especially in the field of functional imaging.
Thus in the first part of my thesis, I introduce the methodology of the univariate method and multivariate methods.
Together with methodology, I provide the comparison of each approach.

As theory should serve for practice, in the second part of my thesis, I describe the experiments I have done using the mentioned methods with anatomical data and functional data.
I focus on seasonal affective disorder (SAD) when facing functional imaging problem, for the situation of SAD in Finland is quite severe.
After that I offer a discussion and conclusion.

All in all, the univariate and multi-variate methods do excellent jobs in solving neuroimaging problems.
In the future, the theory will be more mature and so is the corresponding implementation of engineering.
ED:2013-02-25
INSSI tietueen numero: 45846
+ lisää koriin
« edellinen | seuraava »
INSSI