• 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
 
 
Doctoral Thesis
DOI
https://doi.org/10.11606/T.104.2020.tde-23072020-155937
Document
Author
Full name
Diego Carvalho do Nascimento
E-mail
Institute/School/College
Knowledge Area
Date of Defense
Published
São Carlos, 2020
Supervisor
Committee
Louzada Neto, Francisco (President)
Costa, Lilia Carolina Carneiro da
Izbicki, Rafael
Santos, Taiza Elaine Grespan dos
Silva, Paulo Henrique Ferreira da
Title in English
Modeling high-dimensional time series from large scale brain networks
Keywords in English
Dynamic Models
Graphical models
High-dimensional data analysis
Multivariate Time Series
Abstract in English
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
Title in Portuguese
Modelagem de séries temporais de alta dimensão a partir de redes cerebrais de larga escala
Keywords in Portuguese
Dados de alta-dimensionalidade
Modelos de grafos
Modelos dinâmicos
Séries Temporais Multivariadas
Abstract in Portuguese
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.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2020-07-23
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2022. All rights reserved.