Modeling high-dimensional time series from large scale brain networks

Detalhes bibliográficos
Autor(a) principal: Nascimento, Diego Carvalho do
Data de Publicação: 2020
Tipo de documento: Tese
Idioma: eng
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-23072020-155937/
Resumo: Neuroscientists have an urge to understand the effective brain connectivity, through the direction/ correlation of the brain areas, using biosignals, although this task demands to consider the spatiotemporal dependence and some computational constraints. Naturally, the use of large Vector Autoregression (VARs) would be appropriated if did not present a high-dimensionality curse, where the number of parameters is vastly representative. Additionally, shrinkage either in the data or parameter spaces is not trivial towards maintaining its interpretation. Therefore, some modifications were discussed, towards the graph-based model and entropy analysis, adopting the Bayesian approach, addressed by the estimate of the human brain connectivity using electroencephalogram (EEG) signals. As a motivation, we used a study case of neurorehabilitation, regarding the manipulation of human verticality, we are using high-definition transcranial direct current stimulation (HD-tDCS) as a non-invasive modulation
id USP_1a89b260e2e78da0663cbcb29524f2a0
oai_identifier_str oai:teses.usp.br:tde-23072020-155937
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Modeling high-dimensional time series from large scale brain networksModelagem de séries temporais de alta dimensão a partir de redes cerebrais de larga escalaDados de alta-dimensionalidadeDynamic ModelsGraphical modelsHigh-dimensional data analysisModelos de grafosModelos dinâmicosMultivariate Time SeriesSéries Temporais MultivariadasNeuroscientists have an urge to understand the effective brain connectivity, through the direction/ correlation of the brain areas, using biosignals, although this task demands to consider the spatiotemporal dependence and some computational constraints. Naturally, the use of large Vector Autoregression (VARs) would be appropriated if did not present a high-dimensionality curse, where the number of parameters is vastly representative. Additionally, shrinkage either in the data or parameter spaces is not trivial towards maintaining its interpretation. Therefore, some modifications were discussed, towards the graph-based model and entropy analysis, adopting the Bayesian approach, addressed by the estimate of the human brain connectivity using electroencephalogram (EEG) signals. As a motivation, we used a study case of neurorehabilitation, regarding the manipulation of human verticality, we are using high-definition transcranial direct current stimulation (HD-tDCS) as a non-invasive modulationNeste projeto focamos na necessidade de compreender sobre a conectividade cerebral, através da direção/correlação entre as áreas cerebrais, por meio de biossinais, embora essa tarefa apresente dificuldades como dependência espaço-temporal e algumas restrições computacionais. Naturalmente, o uso de large vector autoregression (VAR) seria apropriado se não apresentassem problema de alta dimensionalidade, onde o espaço paramétrico é largamente representativo. Além disso, o encolhimento nos espaços de dados/parâmetros não é uma tarefa trivial, essencialmente demandando mantendo interpretabilidade nos resultados. Portanto, algumas modificações foram discutidas, em relação ao modelo via gráfos e análise de entropia, adotando uma abordagem Bayesiana, motivada por estimatar a conectividade do cérebro humano usando sinais de eletroencefalograma (EEG). Assim, a motivação que este utilizou foi proveniente de um estudo de caso de neuro-reabilitação, no que se refere à manipulação da verticalidade humana, nele utilizamos a estimulação transcraniana de corrente direta de alta definição (HD-tDCS) como modulação não invasiva visando a recuperação de pacientes pós-AVC.Biblioteca Digitais de Teses e Dissertações da USPAnacleto Junior, OsvaldoLouzada Neto, FranciscoNascimento, Diego Carvalho do2020-03-27info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/104/104131/tde-23072020-155937/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesseng2020-08-13T00:45:47Zoai:teses.usp.br:tde-23072020-155937Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212020-08-13T00:45:47Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Modeling high-dimensional time series from large scale brain networks
Modelagem de séries temporais de alta dimensão a partir de redes cerebrais de larga escala
title Modeling high-dimensional time series from large scale brain networks
spellingShingle Modeling high-dimensional time series from large scale brain networks
Nascimento, Diego Carvalho do
Dados de alta-dimensionalidade
Dynamic Models
Graphical models
High-dimensional data analysis
Modelos de grafos
Modelos dinâmicos
Multivariate Time Series
Séries Temporais Multivariadas
title_short Modeling high-dimensional time series from large scale brain networks
title_full Modeling high-dimensional time series from large scale brain networks
title_fullStr Modeling high-dimensional time series from large scale brain networks
title_full_unstemmed Modeling high-dimensional time series from large scale brain networks
title_sort Modeling high-dimensional time series from large scale brain networks
author Nascimento, Diego Carvalho do
author_facet Nascimento, Diego Carvalho do
author_role author
dc.contributor.none.fl_str_mv Anacleto Junior, Osvaldo
Louzada Neto, Francisco
dc.contributor.author.fl_str_mv Nascimento, Diego Carvalho do
dc.subject.por.fl_str_mv Dados de alta-dimensionalidade
Dynamic Models
Graphical models
High-dimensional data analysis
Modelos de grafos
Modelos dinâmicos
Multivariate Time Series
Séries Temporais Multivariadas
topic Dados de alta-dimensionalidade
Dynamic Models
Graphical models
High-dimensional data analysis
Modelos de grafos
Modelos dinâmicos
Multivariate Time Series
Séries Temporais Multivariadas
description Neuroscientists have an urge to understand the effective brain connectivity, through the direction/ correlation of the brain areas, using biosignals, although this task demands to consider the spatiotemporal dependence and some computational constraints. Naturally, the use of large Vector Autoregression (VARs) would be appropriated if did not present a high-dimensionality curse, where the number of parameters is vastly representative. Additionally, shrinkage either in the data or parameter spaces is not trivial towards maintaining its interpretation. Therefore, some modifications were discussed, towards the graph-based model and entropy analysis, adopting the Bayesian approach, addressed by the estimate of the human brain connectivity using electroencephalogram (EEG) signals. As a motivation, we used a study case of neurorehabilitation, regarding the manipulation of human verticality, we are using high-definition transcranial direct current stimulation (HD-tDCS) as a non-invasive modulation
publishDate 2020
dc.date.none.fl_str_mv 2020-03-27
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/104/104131/tde-23072020-155937/
url https://www.teses.usp.br/teses/disponiveis/104/104131/tde-23072020-155937/
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1809091018945986560

Registros relacionados