Exploration and application of machine learning algorithms to functional connectivity data

Bibliographic Details
Main Author: Veloso, Telma Alves
Publication Date: 2014
Format: Master thesis
Language: eng
Source: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
Download full: http://hdl.handle.net/1822/34155
Summary: Dissertação de mestrado integrado em Engenharia Biomédica (área de especialização em Informática Médica)
id RCAP_0b3039f4c4e46f18cfdf502cb71beabf
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/34155
network_acronym_str RCAP
network_name_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository_id_str https://opendoar.ac.uk/repository/7160
spelling Exploration and application of machine learning algorithms to functional connectivity dataExploração e aplicação de algoritmos de aprendizagem computacional em dados de conectividade funcional61:681.3681.3:61616-073612.8Engenharia e Tecnologia::Engenharia MédicaDissertação de mestrado integrado em Engenharia Biomédica (área de especialização em Informática Médica)Methods for the study of the functional connectivity in the brain have seen several developments over the last years, however not yet in a fully realized manner. Machine learning and complex network analysis are two promising techniques that together can help the process of better exploring functional connectivity for future clinical applications. Machine learning and pattern recognition algorithms are helpful for mining vast amounts of neural data with increasing precision of measures and also for detecting signals from an overwhelming noise component (Lemm, Blankertz, Dickhaus, & Müller, 2011). Complex network analysis, a subset of graph theory, is an approach that allows the quantitative assessment of network properties such as functional segregation, integration, resilience, and centrality (Rubinov & Sporns, 2010). These properties can be fed into classification algorithms as features. This is a new and complex approach that has no standard procedures defined, so the aim of this work is to explore the use of fMRI-derived complex network measures combined with machine learning algorithms in a clinical dataset. In order to do so, a set of classifiers is implemented on a feature dataset built with brain regional volumes and topological network measures that, in turn, were constructed based on functional connectivity data extracted from a resting-state functional MRI study. The set of classifiers includes the nearest neighbor, support vector machine, linear discriminant analysis and decision tree methods. A set of feature selection methods was also implemented before the classification tasks. Every possible combination of feature selection methods and classifiers was implemented and the performance was evaluated by a cross-validation procedure. Although the results achieved weren’t exceptionally good, the present work generated knowledge on how to implement this recent approach and allowed the conclusion that, for most cases, feature selection improves the performance of the classifier. The results also showed that the decision tree algorithm produces relatively good results without being associated with a feature selection method and that the SVM classifier, together with RFE feature selection method, produced results on the same level as other work done with a similar approach.Métodos para o estudo de conectividade funcional têm sofrido vários progressos ao longo dos últimos anos, no entanto, as suas potencialidades não estão a ser completamente exploradas. Aprendizagem computacional e análise de redes complexas são duas técnicas promissoras que, em conjunto, são capazes de auxiliar no processo de melhor explorar conectividade funcional para futuras aplicações clínicas. Aprendizagem computacional e reconhecimento de padrões permitem a extração de conhecimento a partir de imensas quantidades de informação neuronal, cada vez com melhor precisão de medidas e são capazes de encontrar sinal de interesse, mesmo na presença de uma grande componente de ruído (Lemm et al., 2011). A análise de redes complexas é uma abordagem que permite a avaliação quantitativa das propriedades de rede (Rubinov & Sporns, 2010). Estas propriedades podem ser usadas em classificação como atributos, o que é considerado uma a abordagem recente e complexa, pelo que não existem ainda procedimentospadrão definidos. Deste modo, o objetivo deste trabalho é explorar o uso de medidas de redes complexas derivadas de conectividade funcional e combinadas com algoritmos de aprendizagem computacional em dados clínicos. Para tal, um conjunto de classificadores foi implementado, tendo como atributos volumes de regiões cerebrais e medidas de rede que, por sua vez, foram construídas a partir de dados de conectividade funcional extraídos de um estudo de Ressonância Magnética funcional de repouso. Um conjunto de métodos para a seleção de atributos também foi implementado antes de realizar as tarefas de classificação. Todas as possíveis combinações destes métodos com os classificadores foram testadas e o desempenho foi avaliado através de cross-validation. Apesar dos resultados obtidos não serem excecionalmente bons, o presente trabalho gerou conhecimento sobre a implementação desta nova abordagem e permitiu concluir que, na maioria dos casos, a seleção de características melhora o desempenho do classificador. Os resultados também demonstram que o algoritmo de árvore de decisão produz relativamente bons resultados quando não está associado a um método de seleção de características e que o algoritmo de máquina de suporte vetorial, juntamente com o método de seleção de atributos RFE, deu origem a resultados ao mesmo nível de outro trabalho, realizado com uma abordagem similar.Alves, VictorMarques, Paulo César GonçalvesUniversidade do MinhoVeloso, Telma Alves20142014-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/1822/34155eng201186454info:eu-repo/semantics/openAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2024-05-11T06:23:03Zoai:repositorium.sdum.uminho.pt:1822/34155Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-28T15:51:33.519144Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse
dc.title.none.fl_str_mv Exploration and application of machine learning algorithms to functional connectivity data
Exploração e aplicação de algoritmos de aprendizagem computacional em dados de conectividade funcional
title Exploration and application of machine learning algorithms to functional connectivity data
spellingShingle Exploration and application of machine learning algorithms to functional connectivity data
Veloso, Telma Alves
61:681.3
681.3:61
616-073
612.8
Engenharia e Tecnologia::Engenharia Médica
title_short Exploration and application of machine learning algorithms to functional connectivity data
title_full Exploration and application of machine learning algorithms to functional connectivity data
title_fullStr Exploration and application of machine learning algorithms to functional connectivity data
title_full_unstemmed Exploration and application of machine learning algorithms to functional connectivity data
title_sort Exploration and application of machine learning algorithms to functional connectivity data
author Veloso, Telma Alves
author_facet Veloso, Telma Alves
author_role author
dc.contributor.none.fl_str_mv Alves, Victor
Marques, Paulo César Gonçalves
Universidade do Minho
dc.contributor.author.fl_str_mv Veloso, Telma Alves
dc.subject.por.fl_str_mv 61:681.3
681.3:61
616-073
612.8
Engenharia e Tecnologia::Engenharia Médica
topic 61:681.3
681.3:61
616-073
612.8
Engenharia e Tecnologia::Engenharia Médica
description Dissertação de mestrado integrado em Engenharia Biomédica (área de especialização em Informática Médica)
publishDate 2014
dc.date.none.fl_str_mv 2014
2014-01-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1822/34155
url http://hdl.handle.net/1822/34155
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 201186454
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron:RCAAP
instname_str FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron_str RCAAP
institution RCAAP
reponame_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
collection Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository.name.fl_str_mv Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
repository.mail.fl_str_mv info@rcaap.pt
_version_ 1833595584855932928

Similar Items