• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Tese de Doutorado
DOI
https://doi.org/10.11606/T.104.2020.tde-23072020-155937
Documento
Autor
Nome completo
Diego Carvalho do Nascimento
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Carlos, 2020
Orientador
Banca examinadora
Louzada Neto, Francisco (Presidente)
Costa, Lilia Carolina Carneiro da
Izbicki, Rafael
Santos, Taiza Elaine Grespan dos
Silva, Paulo Henrique Ferreira da
Título em inglês
Modeling high-dimensional time series from large scale brain networks
Palavras-chave em inglês
Dynamic Models
Graphical models
High-dimensional data analysis
Multivariate Time Series
Resumo em inglês
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
Título em português
Modelagem de séries temporais de alta dimensão a partir de redes cerebrais de larga escala
Palavras-chave em português
Dados de alta-dimensionalidade
Modelos de grafos
Modelos dinâmicos
Séries Temporais Multivariadas
Resumo em português
Neste 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.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2020-07-23
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.