Publications without Fulltext
Permanent URI for this collectionhttps://hdl.handle.net/20.500.14288/3
Browse
5 results
Search Results
Publication Metadata only Estimating brain connectivity for pattern analysis(IEEE Computer Society, 2014) Onal, Itir; Aksan, Emre; Velioglu, Burak; Firat, Orhan; Ozay, Mete; Vural, Fatos T. Yarman; Department of Psychology; Öztekin, İlke; Faculty Member; Department of Psychology; College of Social Sciences and Humanities; N/AIn this study, the degree of connectivity for each voxel, which is the unit element of functional Magnetic Resonance Imaging (fMRI) data, with its neighboring voxels is estimated. The neighborhood system is defined by spatial connectivity metrics and a local mesh of variable size is formed around each voxel using spatial neighborhood. Then, the mesh arc weights, called Mesh Arc Descriptors (MAD), are used to represent each voxel rather than its own intensity value measured by functional Magnetic Resonance Images (fMRI). Finally, the optimal mesh size of each voxel is estimated using various information theoretic criteria. fMRI measurements are obtained during a memory encoding and retrieval experiment performed on a subject who is exposed to the stimuli from 10 semantic categories. Using the Mesh Arc Descriptors (MAD) having the variable mesh sizes, a k-NN classifier is trained. The classification performances reflect that the suggested variable-size Mesh Arc Descriptors represent the cognitive states better than the classical multi-voxel pattern representation and fixed-size Mesh Arc Descriptors. Moreover, it is observed that the degree of connectivities in the brain greatly varies for each voxel. / Bu çalışmada, fonksiyonel Manyetik Rezonans Görüntüleme (fMRG) verisinin temel elemanı olan vokselin komşu voksellerle olan bağlanırlık derecesi kestirilmiştir. Komşuluk sistemi uzamsal bağlanırlık metrikleri ile tanımlanır ve her voksel etrafında uzamsal komşuluk kullanılarak değişken boyutlu yerel örgü oluşturulur. Daha sonra, her voksel kendi yoğunluk değeri yerine Örgü Yay Betimleyicileri olarak adlandırılan örgü yay ağırlıkları ile ifade edilir. Sonuç olarak, her vokselin ideal örgü boyutu, çeşitli bilgi teoretik kriterler kullanılarak kestirilir. fMRG ölçümleri 10 anlamsal kategori içeren uyarılara maruz bırakılan bir katılımcıya uygulanan beyne bilgi kaydı ve beyinden bilgi geri getirme deneyi sırasında edinilmiştir. Değişken örgü boyutuna sahip Örgü Yay Betimleyicileri kullanilarak bir k-en yakın komşu sınıflandırıcısı egitilmiştir. Sınıflandırma performansı gösterir ki, önerilen degişken boyutlu Örgü Yay Betimleyicileri, bilişsel süreçleri klasik çoklu-voksel örüntü betimleyicilerinden ve sabit boyutlu Örgü Yay Betimleyicileri’nden daha iyi ifade eder. Ek olarak, baglanırlık derecesinin beyinde oldukça değişken olduğu gözlemlenmiştir.Publication Metadata only Cognitive process representation with minimum spanning tree of local meshes(Institute of Electrical and Electronics Engineers (IEEE), 2013) Firat, Orhan; Özay, Mete; Önal, Itir; Yarman Vural, Fatoş T.; Department of Psychology; Öztekin, İlke; Faculty Member; Department of Psychology; College of Social Sciences and Humanities; N/AIn this study, we propose a new graphical model, namely Cognitive Process Graph (CPG) for classifying cognitive processes. In CPG, first local meshes are formed around each voxel. Second, the relationships between a voxel and its neighbors in a local mesh, which are estimated by using a linear regression model, are used to form the edges among the voxels (graph nodes) in the CPG. Then, a minimum spanning tree (MST) of the CPG which spans all the voxels in the region of interest is computed. The arc weights of the MST are used to represent the underlying cognitive processes. Finally, the arc weights computed over the path of the MST called MST-Features (MST-F) are used to train a statistical learning machine. The proposed method is tested on a recognition memory experiment, including data pertaining to encoding and retrieval of words belonging to ten different semantic categories. Two popular classifiers, namely kNearest Neighbor (k-NN) and Support Vector Machine (SVM), are trained in order to predict the semantic category of the item being retrieved, based on activation patterns during encoding. The proposed method reduces the curse of dimensionality problem that is caused by very large dimension of the feature space of the fMRI measurements, compared to number of instances. The classification performance is also superior to the classical multi-voxel pattern analysis (MVPA) methods for the underlying cognitive process. / Bu çalışmada, bilişsel süreçlerin sınıflandırılması maksadıyla, Bilişsel Süreç Çizgesi (BSÇ) adı verilen yeni bir grafiksel model önerilmektedir. Önerilen BSÇ’de öncelikle, her voksel etrafında bir yerel örgü kurulmaktadır. İkinci olarak, doğrusal bağlanım modeli kullanılarak hesaplanan yerel örgüdeki vokseller ile komşularının ilişkileri, BSÇ’yi oluşturan vokseller (çizge düğümleri) arasındaki kenarları oluşturmak için kullanılmıştır. Ardından, oluşturulan BSÇ’nin minimum yayılan ağacı (MYA) ilgi bölgesindeki tüm vokselleri kapsayacak şekilde hesaplanmıştır. MYA üzerinde bulunan kenar ağırlıkları bilişsel süreci betimlemekte kullanılmıştır. Son olarak, hesaplanan kenar ağırlıklarından MYA üzerinde bulunanlar istatistiksel bir öğrenme makinasını eğitmekte kullanılmıştır. Kullanılan bu kenar ağırlıkları MYA-Öznitelikleri (MYA-Ö) olarak adlandırılmıştır. Önerilen yaklaşım, belleğe bilgi kaydı ve geri getirme işlemleri için 10 sınıflı bilgi tipinden oluşan bir kelime tanıma çalışması verisi üzerinde test edilmiştir. Bellekten geri getirmeyi farklı kategorideki sınıflar için ayırt edebilmek maksadıyla yaygın olarak kullanılan iki sınıflandırıcı eğitilmiştir. Bu sınfılandırıcılar k-En Yakın Komşu (k-EK) ve Destek Vektör Makinası (DVM) olup, belleğe bilgi kaydı esnasındaki aktifleşme örüntüsü kullanılarak eğitilmişlerdir. Önerilen yaklaşım, örnek sayısıyla karşılaştırıldığında oldukça yüksek boyutta olan fMRG ölçümlerinin boyutluluk sorununu azaltmakla beraber bilişsel süreç sınıflandırma başarımı klasik Çoklu Voksel Örüntü Çözümleme (Multi Voxel Pattern Analysis-MVPA) yöntemlerinden daha yüksektir.Publication Metadata only Yerel örgülerin minimum yayılan ağaçları ile bilişsel süreç betimleme(IEEE, 2013) Firat, Orhan; Ozay, Mete; Onal, Itir; Vural, Fatos T. Yarman; Department of Psychology; Öztekin, İlke; Faculty Member; Department of Psychology; College of Social Sciences and Humanities; N/AIn this study, we propose a new graphical model, namely Cognitive Process Graph (CPG) for classifying cognitive processes. In CPG, first local meshes are formed around each voxel. Second, the relationships between a voxel and its neighbors in a local mesh, which are estimated by using a linear regression model, are used to form the edges among the voxels (graph nodes) in the CPG. Then, a minimum spanning tree (MST) of the CPG which spans all the voxels in the region of interest is computed. The arc weights of the MST are used to represent the underlying cognitive processes. Finally, the arc weights computed over the path of the MST called MST-Features (MST-F) are used to train a statistical learning machine. The proposed method is tested on a recognition memory experiment, including data pertaining to encoding and retrieval of words belonging to ten different semantic categories. Two popular classifiers, namely kNearest Neighbor (k-NN) and Support Vector Machine (SVM), are trained in order to predict the semantic category of the item being retrieved, based on activation patterns during encoding. The proposed method reduces the curse of dimensionality problem that is caused by very large dimension of the feature space of the fMRI measurements, compared to number of instances. The classification performance is also superior to the classical multi-voxel pattern analysis (MVPA) methods for the underlying cognitive process. Keywords — fMRI; mesh learning; minimum spanning tree; pattern recognition. / Bu çalışmada, bilişsel süreçlerin sınıflandırılması maksadıyla, Bilişsel Süreç Çizgesi (BSÇ) adı verilen yeni bir grafiksel model önerilmektedir. Önerilen BSÇ’de öncelikle, her voksel etrafında bir yerel örgü kurulmaktadır. İkinci olarak, doğrusal bağlanım modeli kullanılarak hesaplanan yerel örgüdeki vokseller ile komşularının ilişkileri, BSÇ’yi oluşturan vokseller (çizge düğümleri) arasındaki kenarları oluşturmak için kullanılmıştır. Ardından, oluşturulan BSÇ’nin minimum yayılan ağacı (MYA) ilgi bölgesindeki tüm vokselleri kapsayacak şekilde hesaplanmıştır. MYA üzerinde bulunan kenar ağırlıkları bilişsel süreci betimlemekte kullanılmıştır. Son olarak, hesaplanan kenar ağırlıklarından MYA üzerinde bulunanlar istatistiksel bir öğrenme makinasını eğitmekte kullanılmıştır. Kullanılan bu kenar ağırlıkları MYA-Öznitelikleri (MYA-Ö) olarak adlandırılmıştır. Önerilen yaklaşım, belleğe bilgi kaydı ve geri getirme işlemleri için 10 sınıflı bilgi tipinden oluşan bir kelime tanıma çalışması verisi üzerinde test edilmiştir. Bellekten geri getirmeyi farklı kategorideki sınıflar için ayırt edebilmek maksadıyla yaygın olarak kullanılan iki sınıflandırıcı eğitilmiştir. Bu sınfılandırıcılar k-En Yakın Komşu (k-EK) ve Destek Vektör Makinası (DVM) olup, belleğe bilgi kaydı esnasındaki aktifleşme örüntüsü kullanılarak eğitilmişlerdir. Önerilen yaklaşım, örnek sayısıyla karşılaştırıldığında oldukça yüksek boyutta olan fMRG ölçümlerinin boyutluluk sorununu azaltmakla beraber bilişsel süreç sınıflandırma başarımı klasik Çoklu Voksel Örüntü Çözümleme (Multi Voxel Pattern Analysis-MVPA) yöntemlerinden daha yüksektir.Publication Metadata only A new representation of fMRI signal by a set of local meshes for brain decoding(IEEE-Inst Electrical Electronics Engineers Inc, 2017) Önal, Itır; Özay, Mete; Vural, Fatoş T. Yarman; N/A; Department of Psychology; Mızrak, Eda; Öztekin, İlke; PhD Student; Faculty Member; Department of Psychology; Graduate School of Social Sciences and Humanities; College of Social Sciences and Humanities; N/A; N/AHow neurons influence each other's firing depends on the strength of synaptic connections among them. Motivated by the highly interconnected structure of the brain, in this study, we propose a computational model to estimate the relationships among voxels and employ them as features for cognitive state classification. We represent the sequence of functional Magnetic Resonance Imaging (fMRI) measurements recorded during a cognitive stimulus by a set of local meshes. Then, we represent the corresponding cognitive state by the edge weights of these meshes each of which is estimated assuming a regularized linear relationship among voxel time series in a predefined locality. The estimated mesh edge weights provide a better representation of information in the brain for cognitive state or task classification. We examine the representative power of ourmesh edge weights on visual recognition and emotional memory retrieval experiments by training a support vector machine classifier. Also, we use mesh edge weights as feature vectors of inter-subject classification onHuman Connectome Project task fMRI dataset, and test their performance. We observe that mesh edge weights perform better than the popular fMRI features, such as, raw voxel intensity values, pairwise correlations, features extracted using PCA and ICA, for classifying the cognitive states.Publication Metadata only Information distribution analysis in the fMRI measurements with degree of locality estimation(Institute of Electrical and Electronics Engineers (IEEE), 2013) Firat, Orhan; Özay, Mete; Önal, Itir; Yarman Vural, Fatoş T.; Department of Psychology; Öztekin, İlke; Faculty Member; Department of Psychology; College of Social Sciences and Humanities; N/AIn this investigation, we propose a new method for analyzing and representing the distribution of discriminative information for pattern analysis of functional Magnetic Resonance Imaging (fMRI) data. For this purpose, a spatially local mesh with varying size, around each voxel (called seed voxel) is formed. The relationship among each seed voxel and its neighbors are estimated using a linear regression model by minimizing the square error. Then, the optimal mesh size which represents the connections among each seed voxel and its surroundings is estimated by minimizing Akaike’s Final Prediction Error (FPE) with respect to the mesh size. The degree of locality is represented by the optimum mesh size. If the estimated mesh size is small, then the seed voxel is assumed to be connected to few other voxels; if it is large, the voxel is assumed to be massively connected to other voxels. It is shown that, the local mesh size with highest discriminative power depend on the individual subjects. Surprisingly, the optimal mesh size remains the same for the recognition task of different categories. The proposed method was tested on a memory task, which requires retrieval of item and temporal order information from memory. For each participant, estimated arc weights of each local mesh with different mesh size are used to classify the two types of information retrieved from memory (i.e. item and temporal order). Classification accuracies for each subject are found using k-Nearest Neighbor (k-NN) method. The results indicate that the proposed local mesh model with optimal mesh size can successfully represent discriminative information. / Bu çalışmada, fonksiyonel manyetik rezonans görüntüleme (fMRG) verisinde örüntü analizi için ayrımsayıcı bilgi dağılımının analizi ve ifadesi amacıyla yeni bir metot önerilmektedir. Bu amaçla, her vokselin (tohum voksel) çevresinde değişken boyutlarda uzamsal yerel örgü oluşturulur. Her tohum voksel ve komşuları arasındaki ilişki, bir doğrusal bağlanım modeli kullanılarak, hatanın karesi minimize edilecek şekilde kestirilir. Daha sonra, her tohum vokselle çevresi arasındaki bağlantıları temsil eden ideal örgü boyutu, Akaike’nin son öngörü hatası örgü boyutuna göre minimize ederek kestirilir. Lokalite derecesi, ideal örgü boyutu ile temsil edilir. Eğer kestirilen örgü boyutu küçükse, tohum vokselin az sayıda diğer voksellerle bağlantılı olduğu, büyükse vokselin yoğun olarak diğer voksellerle bağlantılı olduğu varsayılır. En yüksek ayrımsayıcı güce sahip yerel örgü boyutunun bireye bağlı olduğu gösterilmiştir. Şaşırtıcı şekilde, ideal örgü boyutu farklı kategorileri tanıma görevlerinde aynı kalmaktadır. Önerilen metot, öğe bilgisi ve zamansal sıra bilgisi görevlerinden oluşan bir bellek çalışması üzerinde test edilmiştir. Her özne için, farklı örgü boyutlarına sahip yerel ağların kestirilen yay ağırlıkları, beyinden getirilen iki tür bilgiyi (öğe ve zamansal sıra bilgisi) sınıflandırmak için kullanılmıştır. Her özne için sınıflandırma doğruluğu, k-en yakın komşu metodu kullanılarak bulunmuştur. Sonuçlar, önerilen ideal örgü boyutuna sahip yerel örgü modelinin, başarılı bir şekilde ayrımsayıcı bilgiyi temsil edebildiğini göstermiştir.