G5 Artikkeliväitöskirja
Consensus clustering for group-level analysis of event-related potential data (2023)
Konsensusklusterointi tapahtumakohtaisten potentiaalien ryhmätason analyysiin


Mahini Sheikhhosseini, R. (2023). Consensus clustering for group-level analysis of event-related potential data [Doctoral dissertation]. University of Jyväskylä. JYU dissertations, 733. https://urn.fi/URN:ISBN:978-951-39-9863-9


JYU-tekijät tai -toimittajat


Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajatMahini Sheikhhosseini, Reza

eISBN978-951-39-9863-9

Lehti tai sarjaJYU dissertations

eISSN2489-9003

Julkaisuvuosi2023

Sarjan numero733

Kirjan kokonaissivumäärä1 verkkoaineisto (71 sivua, 64 sivua useina numerointijaksoina, 23 numeroimatonta sivua)

KustantajaUniversity of Jyväskylä

JulkaisumaaSuomi

Julkaisun kielienglanti

Pysyvä verkko-osoitehttps://urn.fi/URN:ISBN:978-951-39-9863-9

Julkaisun avoin saatavuusAvoimesti saatavilla

Julkaisukanavan avoin saatavuusKokonaan avoin julkaisukanava


Tiivistelmä

Tämä väitöskirja esittelee konsensusklusterointipohjaisia lähestymistapoja aivojen vastausten tutkimiseen ERP/EEG-datasta saatavan tiedon avulla. Tutkimuksessa ehdotetaan datavetoista lähestymistapaa optimaalisen klusterien lukumäärän määrittämiseksi arvioimalla estimoidun aikaluokan sisäistä samankaltaisuutta. Tutkimuksessa suunniteltiin myös monipuolisia klustereita soveltava konsensusklusterointimenetelmä, joka sisältää M-N-kaaviomenetelmän konfigurointia varten. Lisäksi väitöskirjassa ehdotetaan monijoukkoista konsensusklusterointimenetelmää yksittäisille koehenkilöille, jotta löydetään sopiva (tarkka ja vakaa) aikaluokka kiinnostaville ERP:lle. Kehitetty aikaluokan määritysmenetelmä tarkastelee kahta kriteeriä edustavan klusterikartan valintaan: sisäinen samankaltaisuus ja hypoteettinen ajallinen kattavuus. Kolmas tutkimus esittelee monijoukkoisen konsensus¬klusterointi-menetelmän yksittäisten koetilaisuuksien klusterianalyysille. Sen tavoitteena on tunnistaa yksilöllisten koehenkilöiden aiheuttamia vastauksia (ERP-komponentteja). Tämä tutkimus esitteli myös standardoidun lähestymistavan signaalinkäsittelymenetelmien pisteiden arvioimiseksi. Viimeiseksi neljäs tutkimus esitteli ryhmän syväklusterointiputken aikaluokan määrittämiseksi luotettavasti, kun datan laatu on epätäydellistä. Tutkimus paljasti syvien neuroverkkojen soveltuvuuden ominaisuuksien erotteluun ja aikaluokan määritykseen. Tämä väitöskirja tarjoaa lupaavan laskennallisen kehyksen ERP:n tunnistamiseen ryhmätasolla. Edellä mainitut tutkimukset lisäävät ymmärrystä ihmisaivojen toiminnasta. Ne vaikuttavat laajasti laskennalliseen neurotieteeseen ehdottaessaan mukautuvia ratkaisuja tuleviin neurokuvantamistutkimuksiin.


YSO-asiasanatlaskennallinen neurotiedeklusterityhdistäminenklusterianalyysiEEGkognitiiviset prosessitväitöskirjat

Vapaat asiasanatkonsensusklusterointi; syvä klusterointi; tapahtumasidonnaiset jännitevasteet; aikaikkunat; ensemble-opetus


Liittyvät organisaatiot


OKM-raportointiKyllä

Raportointivuosi2023


Viimeisin päivitys 2024-25-02 klo 18:55