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 toimittajat: Mahini Sheikhhosseini, Reza

eISBN: 978-951-39-9863-9

Lehti tai sarja: JYU dissertations

eISSN: 2489-9003

Julkaisuvuosi: 2023

Sarjan numero: 733

Kirjan kokonaissivumäärä: 1 verkkoaineisto (71 sivua, 64 sivua useina numerointijaksoina, 23 numeroimatonta sivua)

Kustantaja: University of Jyväskylä

Julkaisumaa: Suomi

Julkaisun kieli: englanti

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

Julkaisun avoin saatavuus: Avoimesti saatavilla

Julkaisukanavan avoin saatavuus: Kokonaan 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-asiasanat: laskennallinen neurotiede; klusterit; yhdistäminen; klusterianalyysi; EEG; kognitiiviset prosessit; väitöskirjat

Vapaat asiasanat: konsensusklusterointi; syvä klusterointi; tapahtumasidonnaiset jännitevasteet; aikaikkunat; ensemble-opetus

Liittyvät organisaatiot

OKM-raportointi: Kyllä

VIRTA-lähetysvuosi: 2023