haku: @keyword Bootstrapping / yhteensä: 6
viite: 6 / 6
« edellinen | seuraava »
| Tekijä: | Ylipaavalniemi, Jarkko |
| Työn nimi: | Variability of Independent Components in functional Magnetic Resonance Imaging |
| Riippumattomien komponenttien variaatiot toiminnallisessa magneettikuvauksessa | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2005 |
| Sivut: | (12) + 82 Kieli: eng |
| Koulu/Laitos/Osasto: | Tietotekniikan osasto |
| Oppiaine: | Informaatiotekniikka (T-61) |
| Valvoja: | Oja, Erkki |
| Ohjaaja: | Vigário, Ricardo |
| Digitoitu julkaisu: | https://aaltodoc.aalto.fi/handle/123456789/92517 |
| OEVS: | Digitoitu arkistokappale on julkaistu Aaltodocissa
|
| Sijainti: | P1 Ark Aalto 7322 | Arkisto |
| Avainsanat: | variability independent component analysis ICA funtional magnetic resonance imaging fMRI bootstrapping clustering variaatiot riippumattomien komponenttien analyysi toiminnallinen magneettikuvaus uudelleennäytteistys ryhmittely |
| Tiivistelmä (fin): | Riippumattomien komponenttien analyysi (ICA) on laajalti käytetty ja tehokas datalähtöinen signaalinkäsittelymenetelmä. Vaikka se onkin osoittautunut hyödylliseksi monilla tutkimusaloilla, kuten bio- ja lääketieteessä, tietoliikenteessä, taloudessa ja luonnollisten kuvien käsittelyssä, liittyy sen käyttämiseen ongelmia. Eräs ongelma on, että ICA:n tuottamat tulokset vaihtelevat hieman jokaisen sovelluskerran välillä. Tästä johtuen tulosten luotettavuus on helppo kyseenalaistaa. Tulosten variaatiot ovat seurausta menetelmän käyttämän tiedon ja toteutuksen sisältämistä tilastollisista ominaisuuksista. Nämä huomiot koskevat myös monia muita sokean lähteiden erottelun (BSS) menetelmiä. Tämä työ esittelee menetelmän tulosten konsistenttisuuden tutkimiseen ja kuvaa, kuinka variaatioita voidaan käyttää hyväksi hyödyllisen lisätiedon saamiseksi. Menetelmä perustuu useiden ICA:n suorituskertojen tuottamien tulosten ryhmittelyyn. Menetelmää on kokeiltu oikean toiminnallisen magneettikuvauksen (£MID) yhteydessä, jossa käytettiin ääniärsykkeitä. Menetelmä tunnistaa useat riippumattomat komponentit konsistenteiksi, mutta tarjoaa myös arvokasta tietoa vähemmän konsistenttien ilmiöiden ymmärtämiseksi. |
| Tiivistelmä (eng): | Independent component analysis (ICA) has been widely adopted as a powerful data driven signal processing technique. But, even though it has been shown to be helpful in many fields, such as, biomedical systems, telecommunication, finance and natural image processing, there remain problems in its wide adoption. One concern is that solutions found with ICA algorithms tend to change slightly each time analysis is done, raising serious questions about the reliability of those solutions. This behaviour stems from the stochastic nature of the data and ICA algorithms; and. affects many other blind source separation (BSS) algorithms as well. This thesis presents a method to analyse the consistency of the solutions. It is also shown how to exploit the variability to gain additional information on the found solutions. The method is based on clustering solutions from multiple runs of bootstrapped ICA. Its usefulness is tested with a real functional magnetic resonance imaging (£MRI) experiment, involving auditory stimulus, where several independent components are truly consistent. Additionally, the information acquired with the method helps in analysing the underlying phenomena of the less consistent ones. |
| ED: | 2005-04-25 |
INSSI tietueen numero: 28307
+ lisää koriin
« edellinen | seuraava »
INSSI