G5 Artikkeliväitöskirja
Coupled nonnegative matrix/tensor factorization in brain imaging data (2020)


Wang, Xiulin (2020). Coupled nonnegative matrix/tensor factorization in brain imaging data. JYU dissertations, 321. Jyväskylä: Jyväskylän yliopisto. http://urn.fi/URN:ISBN:978-951-39-8407-6


JYU-tekijät tai -toimittajat


Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Wang, Xiulin

eISBN: 978-951-39-8407-6

Lehti tai sarja: JYU dissertations

eISSN: 2489-9003

Julkaisuvuosi: 2020

Sarjan numero: 321

Kirjan kokonaissivumäärä: 1 verkkoaineisto (57 sivua, 57 sivua useina numerointijaksoina, 15 numeroimatonta sivua)

Kustantaja: Jyväskylän yliopisto

Kustannuspaikka: Jyväskylä

Julkaisumaa: Suomi

Julkaisun kieli: englanti

Pysyvä verkko-osoite: http://urn.fi/URN:ISBN:978-951-39-8407-6

Avoin saatavuus: Open access -julkaisukanavassa ilmestynyt julkaisu

Julkaisukanavan avoin saatavuus:

Julkaisun avoin saatavuus:


Tiivistelmä

Aivokuvantamismenetelmien jatkuvaa kehitystä on seurannut aineistojen analyysiin tarkoitettujen menetelmien kehittyminen matriisikomponenttianalyysistä tensorikomponenttianalyysiin ja yksilötason analyysistä ryhmätason analyysiin. Liitoksellisten matriisien/tensorien yhteishajotelma luotettavasti säilyttää rakenteiden ulottuvaisuuden, sallii joustavat rakenteiden liitokset, on yksikäsitteinen lievin ehdon, ja mahdollistaa monien eri reunaehtojen huomioimisen. Tämän väitöskirjan tavoite on kehittää liitoksellisten matriisien/tensorien epänegatiivisen yhteishajotelman laskemiseksi tehokkaita algoritmeja, jotka soveltuvat aivokuvantamisaineistojen ryhmätason analyysiin. Tavoitteenamme usean datalähteen ryhmätason analyysi reunaehdot huomioon ottaen, esittelemme joustavan liitoksellisten matriisien epänegatiivisen yhteishajotelman, jossa käytetään harvan ratkaisun tuottavaa regularisaatiota, ja joka ratkaistaan käyttämällä kertoimien vuorottelevan suunnan menetelmää (ADMM). Vähentääksemme korkeaa laskennallista vaativuutta , ehdotamme kolmea tehokasta liitoksellisten tensorien epänegatiivista yhteishajotelmaa varten suunniteltua algoritmia, jotka vastaavasti perustuvat kolmeen eri menetelmään: nopeaan, hierarkkiseen ja vuorottelevaan pienimmän neliösumman menetelmään (fHALS), vuorottelevan proksimaalisen gradientin menetelmään (APG), ja yhdistelmään joka koostuu APG:sta ja matala-asteisesta approksimaatiosta (LRA). Esitettyjen algoritmien suorituskykyä arvioidaan sekä simuloidulla että oikealla aineistolla. Usean koehenkilön simuloidulle fMRI-aineistolle ehdotettu ADMM- pohjainen algoritmi pystyy saavuttamaan parempia tuloksia kuin vaihtoehdot. Usean koehenkilön jatkuvassa elektroen-kefalografia-aineistossa ehdotettu fHALS-perustainen algoritmi onnistuu eristämään kiinnostavia aivotoimintoja. Usean koehenkilön herätevasteaineistossa ehdotetut APG-perustaiset algoritmit saavuttavat tarkempia hajotelmia ja löytävät olennaisia piirteitä aineistosta vakaammin. Lisäksi matala-asteinen approksimaatio voi huomattavasti lisätä laskennallista tehokkuutta kuitenkaan menettämättä tarkkuutta. Tiivistäen, olemme siis kehittäneet tehokkaita algoritmeja liitoksellisten matriisien/tensorien epänegatiiviselle yhteishajotelmalle, ja soveltaneet niitä onnistuneesti ryhmätason analyysiin aivokuvantamisaineistossa.


YSO-asiasanat: aivotutkimus; kuvantaminen; toiminnallinen magneettikuvaus; EEG; signaalianalyysi; signaalinkäsittely; matriisit; algoritmit

Vapaat asiasanat: brain imaging data; coupled constraint; group analysis; nonnegative matrix/tensor factorization; sparse regularization


Liittyvät organisaatiot


OKM-raportointi: Kyllä


Viimeisin päivitys 2020-07-12 klo 14:46