Objekt-Metadaten
Advancing the understanding of brain function with multivariate pattern analysis

Autor :Michael Hanke
Herkunft :OvGU Magdeburg, Fakultät für Naturwissenschaften
Datum :25.06.2009
 
Dokumente :
Dataobject from HALCoRe_document_00006990
 
Typ :Dissertation
Format :Text
Kurzfassung :Die Entschlüsselung neuronaler Aktivitätsmuster und ihre Zuordnung zu kognitiven Prozessen ist eines der Hauptziele des Einsatzes von bildgebenden Verfahren in den kognitiven Neurowissenschaften. In der Vergangenheit ist es gelungen, durch die Anwendung klassischer, univariater Analysemethoden bei der Auswertung von Daten aus der funktionellen Magnetresonanztomographie (fMRT), eine Vielzahl von spezialisierten Hirnarealen zu lokalisieren. Erst kürzlich haben Wissenschaftler jedoch damit begonnen, die Eignung von neuen multivariaten Analysetechniken zu evaluieren. In ersten Studien erweisen sich diese Methoden als deutlich flexibler, reliabler und vor allem wesentlich empfindlicher bei der Identifizierung der kognitiven Korrelate im fMRT-Signal.

Ein Hauptaspekt dieser Dissertation ist die Vorstellung von PyMVPA, einer neuen Softwareumgebung für die Analyse von neurowissenschaftlichen Datensätzen mit den Methoden der multivariaten Musterklassifikation. PyMVPA ist eine Python-basierte, plattform-unabhängige, Open-Source Softwarelösung, die es erlaubt, die verfügbaren Algorithmen in höchst flexibler Weise auf Datensätze verschiedener Herkunft anzuwenden. Besonderes Augenmerk bei der Entwicklung von PyMVPA lag dabei auf die Wiederverwendbarkeit von bereits existierenden Implementationen, um durch eine vergrößerte Nutzerbasis die Entwicklung beziehungsweise Wartung von qualitativ hochwertiger Software zu begünstigen. Diese Dissertationsschrift umfasst sowohl eine Darstellung des allgemeinen Aufbaus von PyMVPA, wie auch eine Reihe von illustrativen Beispielen, die gleichzeitig die konzeptuelle Überlegenheit, wie auch die praktische Einfachheit verdeutlichen.

Der zweite Schwerpunkt dieser Dissertation liegt auf einem Überblick möglicher Analysestrategien. Das Hauptaugenmerk liegt dabei auf der Darstellung der sogenannten Sensitivitätsanalyse, ein Verfahren, das die Analyse der durch die Algorithmen extrahierten Modell-Parameter zu Gegenstand hat. Die vorliegende Arbeit demonstriert, welches Potential in einer genaueren Betrachtung der Ergebnisse liegen kann und führt examplarisch einige interessante Befunde auf. Insbesondere soll erwähnt werden, dass die Sensitivitätsanalyse gleichermaßen auf eine Vielzahl unterschiedlicher neurowissenschaftlicher Datenmodalitäten anwendbar ist. Diese Eigenschaft wird hier durch eine Beispielanalyse vorgeführt, die eine identische Prozedur (identisch bis hin zur Ebene des Quellcodes) auf vier unterschiedliche Datenmodalitäten anwendet. Dabei kommen Datensätze der funktionellen Magnetresonanztomographie, der Elektroenzephalografie, der Magnetenzephalographie und schließlich auch von extrazellulären Ableitungen zur Verwendung. Sämtliche dargestellten Auswertungen wurden dabei vollständig in PyMVPA durchgeführt.

Den Abschluß der Arbeit bildet eine Diskussion der noch offenen Fragen bezüglich der Etablierung von Musterklassifikationsverfahren als Standard-Analysemethoden für neurowissenschaftliche Daten. Diese umfaßt sowohl Aspekte der inferenzstatistischen Absicherungen von Ergebnissen, wie auch deren Interpretation vor dem Hintergrund einer konkreten Forschungsfragestellung. Darüber hinaus wird sowohl ein Ausblick auf die zukünftige Weiterentwicklung von PyMVPA selbst gegeben, als auch mögliche weitere verwandte Verfahren aufgeführt, die in der Lage sind, zusätzliche interessante Aspekte in der funktionellen Struktur von Hirnaktivitätsmustern zu erfassen.
Schlagwörter :Maschinen-Lernen, MVPA, Musterklassifikation, Neurowissenschaften, PyMVPA, Sensitivität, fMRT, EEG, MEG
Extracelluläre Ableitungen
Rechte :Dieses Dokument ist urheberrechtlich geschützt.
Größe :125 S.
 
Erstellt am :02.07.2009 - 08:18:58
Letzte Änderung :22.04.2010 - 08:25:36
MyCoRe ID :HALCoRe_document_00006990
Statische URL :http://edoc.bibliothek.uni-halle.de/servlets/DocumentServlet?id=6990