Συντάχθηκε 09-12-2024 12:45
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 18/12/2024 12:00
Λήξη: 18/12/2024 13:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Ιωάννη Καρβουνάκη
με θέμα
Ανάλυση Δεδομένων Λειτουργικής Απεικόνισης Μαγνητικού Συντονισμού (ΛΑΜΣ, fMRI) στο Επίπεδο Πληροφορίας Fisher-Shannon
Analysis of Functional Magnetic Resonance Imaging Data on the Fisher-Shannon Information Plane
Εξεταστική Επιτροπή
Καθηγητής Διονύσιος Χριστόπουλος (Επιβλέπων)
Καθηγητής Αθανάσιος Π. Λιάβας
Καθηγητής Μιχαήλ Ζερβάκης
Περίληψη
Το Επίπεδο Πληροφορίας Fisher-Shannon (Fisher Shannon Information Plane, εν συντομία FSIP) είναι ένα αποτελεσματικό εργαλείο για την ανάλυση και διαχωρισμό δεδομένων χρονοσειρών, το οποίο βασίζεται σε δύο μόνο παραμέτρους: το μέτρο πληροφορίας κατά Fisher (Fisher Information Measure--FIM) και την εντροπική ισχύ κατά Shannon (Shannon Entropy Power--SEP). Το FSIP αποδεικνύεται ιδιαίτερα χρήσιμο στη διάκριση χρονοσειρών και την κατηγοριοποίηση τους σε διαφορετικούς τύπους σημάτων, παρέχοντας ένα ισχυρό εργαλείο για την διερεύνηση των δεδομένων από διάφόρα επιστημονικά πεδία. Σε αυτή τη διπλωματική εργασία εξετάζεται η εφαρμογή του FSIP σε τυχαία δεδομένα προερχόμενα από διάφορες κατανομές πιθανότητας, όπως Gaussian, Power exponential, Student-t, Gamma, Weibull, Log-Normal και Uniform κατανομές, με έμφαση στο πώς οι παράμετροι κλίμακας (scale) και σχήματος (shape) της κατανομής επηρεάζουν την αναπαράσταση των δεδομένων στο Επίπεδο Πληροφορίας Fisher-Shannon. Η μεθοδολογία για τον υπολογισμό του FSIP περιλαμβάνει την εκτίμηση της συνάρτησης πυκνότητας πιθανότητας (probability density function--PDF) από τα δεδομένα μέσω συναρτήσεων πυρήνα και εφαρμογή της εκτίμησης πυκνότητας μέσω του πυρήνα (Kernel Density Estimator--KDE). Η εκτίμηση KDE μπορεί να λειτουργήσει αποτελεσματικά ακόμα και για χρονοσειρές με πολύπλοκη δομή. Η ανάλυση των δεδομένων λειτουργικής απεικόνισης μαγνητικού συντονισμού (Functional Magnetic Resonance Imaging--fMRI), τα οποία χαρακτηρίζονται από μεγάλους όγκους περίπλοκων σημάτων χρονοσειρών, παρουσιάζει σημαντικές προκλήσεις. Το fMRI, λόγω της περίπλοκης δυναμικής των χρονοσειρών που το διέπουν, δίνει χώρο για την εφαρμογή του FSIP και αντιμετωπίζεται ως μελέτη περίπτωσης (case study). Η διπλωματική εργασία διερευνά την απόκριση αντίθεσης εξαρτώμενης από το επίπεδο οξυγόνου στο αίμα (Blood Oxygen Level Dependent--BOLD), συνθετικών και πραγματικών δεδομένων fMRI, με εφαρμογή της μεθοδολογίας FSIP για την αναγνώριση προτύπων και την ταξινόμηση χρονοσειρών εγκεφαλικής δραστηριότητας. Τα αποτελέσματα αναδεικνύουν την ευελιξία του FSIP, και την προοπτική του ως αξιόπιστη μέθοδος για τη διάκριση πολύπλοκων σημάτων σε βιοϊατρικές μελέτες καθώς και σε άλλους τομείς.
Abstract
The Fisher-Shannon-Information-Plane (FSIP) represents a novel and compact framework for analyzing and distinguishing time series data. FSIP is based on only two parameters: the Fisher-Information-Measure (FIM) and Shannon-Entropy-Power (SEP). FSIP proves particularly useful in differentiating time series and categorizing them into distinct signal types, providing a powerful tool for data exploration. This thesis investigates FSIP's application to data derived from a variety of probability distributions, including the Normal, Power Exponential, Student-t, Gamma, Weibull, Log-Normal, and Uniform models, focusing on how scale and shape parameters influence the FSIP representation. The methodology for FSIP estimation involves estimating the probability density function (PDF) of a time series by means of Kernel-Density-Estimation (KDE), enabling precise computation of FIM and SEP. KDE can be effectively applied to time series with complex correlations. Functional Magnetic Resonance Imaging (fMRI) provides a compelling context for applying FSIP. However, in this thesis FSIP application to fMRI data is treated primarily as a case study. The thesis explores the analysis of Blood Oxygen Level Dependent (BOLD) response for synthetic and real fMRI data, using FSIP to identify patterns and classify signals of brain activity time series. The findings highlight FSIP's versatility and its potential as a reliable method for distinguishing intricate signal patterns in biomedical data and other fields.
