Longitudinal data analysis with statistical and machine learning methods in neuroscience
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İSTATİSTİK ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: SERENAY ÇAKAR
Danışman: Fulya Gökalp Yavuz
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Farklı koşullar altında beyin aktivitesinin araştırılması birçok sinirbilim çalışmasına konu olmuştur. Bilişsel araştırmalardaki son gelişmeler, işleyen bellek, karar verme, tepki ketleme, algılama ve duyum gibi belirli bilişsel süreçlerin sinirsel bağlantıları üzerinde çalışma fırsatı sağlamaktadır. Beyin tepki çalışmaları, bireylerin beyninin farklı bölümlerinin oluşturduğu çok boyutlu, çok düzeyli veya iç içe geçmiş veri kümelerini oluşturur. Bu nedenle, boylamsal yapılara uygun veri analiz yöntemlerinin uygulanması büyük önem taşımaktadır. Bununla birlikte, beyin tepkisi üzerine yapılan önceki çalışmalarda, verilerin bağımlılığını, çok düzeyli ve iç içe yapısını dikkate almayan yöntemler kullanılmıştır. Bu tezde, yukarıda bahsedilen eksiklikleri gidermek için bilişsel veriler üzerinde farklı istatistiksel ve makine öğrenmesi yöntemlerinin uygulanmasını öneriyoruz. Fonksiyonel yakın-kızılötesi spektroskopisi (fNIRS) aracılığıyla 26 deneğin 36 farklı beyin bölgesinden toplanan optik yoğunluk ölçümlerini içeren açık erişime sahip veri setini analiz ediyoruz. fNIRS sinyalleri, oksihemoglobin ve deoksihemoglobin konsantrasyonlarındaki nispi değişiklikleri ölçmek için kullanılır. Deneklerin farklı beyin bölgelerinden gözlemlerin yer aldığı iç içe veri yapısı da dikkate alınmıştır. Bu tezin içeriği, Doğrusal Karma Model (LMM) ve bu modelin sağlamlaştırılmış versiyonu, GLMM ağacı, RE-EM ağacı, Yansız RE-EM ağacı, LongCART ve GPBoost gibi bilişsel veri yapısına uygun çeşitli algoritmaların kapsamlı bir uygulamasını ve karşılaştırmasını sağlar. Bulgularımızdan birine göre, iç içe yapıya sahip GLMM ağacı, en düşük model performans metriklerini sağladığı için en iyi tahmin performansını gösterir. Bununla birlikte, bu algoritmanın hızı, sağlamlaştırılmış LMM dışındaki diğer yöntemlere kıyasla daha düşük olduğundan, doğruluk ve hız arasında bir ödünleşim vardır.