• 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
Full name
Fernando Araujo Najman
Knowledge Area
Date of Defense
São Paulo, 2022
Galves, Jefferson Antonio (President)
Iambartsev, Anatoli
Pouzat, Christophe
Svarc, Marcela
Title in English
Electroencephalographic fingerprints of statistical model selection by the brain
Keywords in English
Statistical modelselection
Statistician brain
Abstract in English
It has been classically conjectured that the brain compresses data by assigning probabilistic models to sequences of stimuli. An important issue associated with this conjecture is to identify classes of models used by the brain to perform its compression task. We address this issue by introducing two new statistical methods for functional data. The first method is a statistical model selection procedure for EEG data recorded using the context tree paradigm. This methodology retrieves a dendrogram model from EEG data. We present new results with both simulated and experimental EEG data obtained using this methodology which show that our method can discriminate between different conjectures about which information of the stimuli sequence is encoded in the electrical activity of the brain even if the information is not well described by a context tree model. The second method is a new graphical procedure for functional data. This procedure gives us a visual representation of the time domain in which two sets of functional data differ. We discuss how this graphical procedure can be used as an exploratory tool to better understand the inter-individual variance observed in experimental EEG data and how different participants encode the stimuli sequence information.
Title in Portuguese
Impressões digitais eletroencefalográficas de seleção de modelos estatísticos pelo cérebro
Keywords in Portuguese
Cérebro estatístico
Seleção estatística de modelos
Abstract in Portuguese
Uma conjectura clássica é a de que o cérebro comprime dados atribuindo modelos probabilísticos à sequências de estímulos. Uma questão importante associada a essa conjectura é identificar classes de modelos usados pelo cérebro para realizar sua tarefa de compressão. Abordamos esse problema introduzindo dois novos métodos estatísticos para dados funcionais. O primeiro método é um procedimento de seleção estatística de modelos para dados de EEG registrados usando o paradigma da árvore de contexto. Esta metodologia recupera um modelo de dendrograma de dados de EEG. Apresentamos novos resultados com dados de EEG simulados e experimentais obtidos usando esta metodologia que mostram que nosso método pode discriminar entre diferentes conjecturas sobre quais informações da sequência de estímulos são codificadas na atividade elétrica do cérebro, mesmo que as informações codificadas não sejam bem descritas por um modelo de árvore de contexto. O segundo método é um novo procedimento gráfico para dados funcionais. Este procedimento nos dá uma representação visual do domínio do tempo em que dois conjuntos de dados funcionais diferem. Discutimos como este procedimento gráfico pode ser usado como uma ferramenta exploratória para melhor compreender a variância interindividual observada em dados experimentais de EEG e como diferentes participantes codificam as informações da sequência de estímulos.
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
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2023. All rights reserved.