Συγκριτική ανάλυση μεθόδων μείωσης διάστασης και εκμάθησης πολλαπλοτήτων για την ταξινόμηση δεδομένων Λειτουργικής Απεικόνισης Μαγνητικού Συντονισμού (FMRI)

Γάλλος, Ιωάννης; Gallos, Ioannis

dc.contributor.author	Γάλλος, Ιωάννης	el
dc.contributor.author	Gallos, Ioannis	en
dc.date.accessioned	2020-04-03T09:27:56Z
dc.date.available	2020-04-03T09:27:56Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50060
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17758
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Εφαρμοσμένη Μηχανική”	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Diffusion maps, Multidimensional scaling	en
dc.subject	Μηχανική μάθηση	el
dc.subject	Εκμάθηση πολλαπλοτήτων	el
dc.subject	Νευροεπιστήμες	el
dc.subject	Ανάλυση Χρονοσειρών	el
dc.subject	Machine learning	en
dc.subject	Manifold Learning	en
dc.subject	ISOMAP	en
dc.subject	ICA	en
dc.subject	FMRI	en
dc.subject	Diffusion maps	en
dc.subject	Multidimensional scaling	en
dc.subject	Μέθοδος πολυδιάστατης κλιμακοποίησης	el
dc.subject	ισομετρική απεικόνιση	el
dc.subject	Λειτουργική Απεικόνιση Μαγνητικού Συντονισμού	el
dc.title	Συγκριτική ανάλυση μεθόδων μείωσης διάστασης και εκμάθησης πολλαπλοτήτων για την ταξινόμηση δεδομένων Λειτουργικής Απεικόνισης Μαγνητικού Συντονισμού (FMRI)	el
heal.type	masterThesis
heal.classification	Υπολογιστική Νευροεπιστήμη	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-06-27
heal.abstract	Η εν λόγω μεταπτυχιακή εργασία πραγματεύεται την συγκριτική ανάλυση μεθόδων εκμάθησης πολλαπλοτήτων (manifold learning) για την μείωση της διάστασης (data reduction) μεγάλης κλίμακας δεδομένων αλλά και μεθόδων εκμάθησης μηχανών (machine learning) για την ταξινόμηση δεδομένων. Η συγκριτική ανάλυση πραγματοποιείται σε δεδομένα απεικόνισης μαγνητικού συντονισμού (FMRI) σε υγιείς και ασθενείς με σχιζοφρένεια. Η εξαγωγή του σήματος ενδιαφέροντος από τα FMRI γίνεται με χρήση της μεθόδου ανάλυσης ανεξάρτητων συνιστωσών (ICA) ξεχωριστά για κάθε υποκείμενο. Οι μέθοδοι εκμάθησης πολλαπλοτήτων που χρησιμοποιούνται και αξιολογούνται είναι η πολυδιάστατη κλιμακοποίηση (Multi-Dimensional Scaling), η απεικόνιση ισομετρικών χαρακτηριστικών (ISOMAP) και οι απεικονίσεις διάχυσης (Diffusion Maps). Αρχικά γίνεται μία εισαγωγή σε δεδομένα Νευροαπεικόνισης και κυρίως στα δεδομένα FMRI που εφαρμόζουμε τις παραπάνω μεθόδους, ενώ γίνεται και μία πολύ σύντομη εισαγωγή στην θεωρία δικτύων. Στο 2ο κεφάλαιο της εργασίας ορίζεται το πρόβλημα της μείωσης διάστασης ενώ αναλύονται μία προς μία οι μέθοδοι εκμάθησης πολλαπλοτήτων που πρόκειται να γίνουν αργότερα αντικείμενο της συγκριτικής ανάλυσης. Στο 3ο Κεφάλαιο όπου αποτελεί και το κύριο μέρος της έρευνας, παρουσιάζεται το πρόβλημα με τα δεδομένα FMRI (74 υγιείς και 72 ασθενείς με σχιζοφρένεια) και στη συνέχεια περιγράφονται οι μέθοδοι εκμάθησης πολλαπλοτήτων και τα βήματα τα οποία ακολουθήθηκαν με σκοπό την αξιολόγηση των μεθόδων με δύο διαφορετικά μέτρα ομοιότητας, ένα μέτρο βασιζόμενο στην ευκλείδεια απόσταση και ένα άλλο βασιζόμενο στην πολλαπλή συσχέτιση με καθυστερήσεις. Στο 4ο και 5ο κεφάλαιο θα γίνει η παρουσίαση των αποτελεσμάτων και η αξιολόγηση αυτών αντίστοιχα. Η παρούσα εργασία προτείνει την χρήση μετρικών βασιζόμενων στην πολλαπλή συσχέτιση αντί αυτών που βασίζονται στην ευκλείδεια νόρμα όσων αφορά τα δεδομένα FMRI. Ακόμα προτείνει ότι η μέθοδος Diffusion Maps λειτουργεί καλύτερα από άλλες παρόμοιες μεθόδους αφού σημείωσε το υψηλότερο ποσοστό επιτυχούς ταξινόμησης μεταξύ των υπόλοιπων μεθόδων. Οι μέθοδοι εκμάθησης μηχανών που δίνουν συγκριτικά τα πιο αξιόπιστα ποσοστά είναι τα νευρωνικά δίκτυα και οι Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines) με ακτινικές συναρτήσεις βάσης (radial basis functions).	el
heal.abstract	In this thesis, we conduct a comparative analysis among manifold learning techniques for the dimensionality reduction of big data and methods of machine learning for classification. This comparative study is performed on Functional Magnetic Resonance Imaging (FMRI) data consisting of Schizophrenia patients and healthy controls. The extraction of the signal of interest is done using Independent Component Analysis (ICA) separately for each subject. Methods of manifold learning that are used and evaluated are the Multi-Dimensional Scaling (MDS), the Isometric Feature Mapping (ISOMAP) and the Diffusion Maps. At first, there is an introduction to Neuroimaging data and especially the FMRI data to which we apply the above methods, along with a very brief introduction to Network Theory. The 2nd chapter of thesis defines the problem of dimensionality reduction while one by one the manifold learning methods are discussed and analyzed. In the 3rd chapter, which is the core of this dissertation, the main problem and dataset (74 controls and 72 schizophrenia patients) are introduced and then follows the description methods and steps taken to evaluate manifold learning methods with two different similarity measures, one based on the Euclidean norm and another based on the lagged cross-correlation. Finally, 4th and 5th chapter present the results and the discussion of them respectively. This study suggests that the use of similarity measures for FMRI brain signals should be lagged cross correlation based, instead of euclidian. Also, Diffusion Maps performed better than any other similar method for dimensionality reduction giving the best classification rate among the other methods (namely MDS, ISOMAP). Finally, classification algorithms that gave (relatively) the most reliable classification rates were the Neural Nets and Support Vector Machines with a Radial Basis Functions (RBF) kernel.	en
heal.advisorName	Σιέττος, Κωνσταντίνος	el
heal.committeeMemberName	Κομίνης, Ιωάννης	el
heal.committeeMemberName	Θεοτόκογλου, Ευστάθιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	83 σ.	el
heal.fullTextAvailability	true