Clustering hilft entsperren die Geheimnisse des menschlichen Gehirns
Environmental science und Neurowissenschaften können scheinen Pole auseinander, wie die Forschung sich bemüht, aber beide sind getragen von der Notwendigkeit, zu analysieren und zu interpretieren enorme Datensätze erfassen komplexe Raum-zeitliche Prozesse.
Statistisch gesehen, suchen nach mustern und Beziehungen in solcher Datensätze ist sehr ähnlich, ob es Messungen der Temperatur auf der ganzen Welt oder die elektrische Aktivität im gesamten Gehirn. Diesem gemeinsamen Ziel zusammengeführt hat, Ying Sun und Hernando Ombao—zwei KAUST führenden Forscher in big-data-Statistik.
Es beginnt alles mit dem Wetter
In der Umwelt-monitoring-Daten, die einzelnen meteorologischen parameter Temperatur, wind oder Niederschlag—und jeder mess-station stellt adimensionof der konsolidierten Datenbestand. Das Ergebnis ist ein sehr großes dataset mit einer Komplexität, die trotzt konventionellen analytischen Ansätzen.
„Wir konzentrieren uns auf die Entwicklung neuer statistischer Methoden für die Analyse der komplexen hochdimensionalen Daten in der Regel begegnet in environmental science“, sagt Sun.
Sonne und Ihr team haben vorgeschlagen, eine Reihe von neuen statistischen Ansätzen für den Umgang mit diesen Daten, einschließlich in hohem Grade flexible und sehr effiziente Methoden für den Umgang mit sehr großen Datenmengen.
In das Gehirn
Inspiriert durch Probleme in neuroimaging, Ombao Gruppe entwickeln seit Jahren ähnliche statistische Werkzeuge, um besser zu verstehen, die Beziehungen und Abhängigkeiten zwischen raumzeitlicher Signale. Techniken, wie die funktionelle Magnetresonanztomographie (fMRT) und der Elektroenzephalographie (EEG) zur Erfassung der verschiedenen Aspekte der Gehirnaktivität in Raum und Zeit mit hohen Dimensionalität sind in vielerlei Hinsicht ähnlich zu der Art von Umwelt-Daten gearbeitet von Sun-team; als solche, viele der gleichen statistischen Ansätze gelten.
„Unser Fokus liegt auf dem Verständnis der Rolle von Gehirn-Konnektivität und seinen vereinen mit psychischen und neurologischen Erkrankungen“, sagt Ombao. „Wenn man die Aktivität des Gehirns, unterschiedliche Regionen aktiviert werden wie eine person Informationen verarbeitet, und in einigen Regionen reagieren in einer organisierten oder synchronisierten Weise. Das Ziel unserer bisherigen Arbeit war die Entwicklung einer neuen statistischen clustering-Methode, die identifiziert Hirnregionen, die mit synchronen Verhalten und entdecken Gemeinsamkeiten und Gruppe Muster unter Gehirn Signale, die helfen könnte uns zu verstehen, brain functional connectivity“.
Bringen es zusammen
Nach Ombao, die größte Herausforderung bei der Anwendung von clustering-Methoden des brain signal data ist, wie definieren Sie die Eigenschaften der Zeitreihen, und dann zu quantifizieren, wie Ihre ähnlichkeit. Das team der Forschung betrachtet zwei verschiedene Maße für die ähnlichkeit zu identifizieren, Cluster—spektrale Synchronizität und cluster-Kohärenz. Dies führte zur Entwicklung von hierarchischen clustering-algorithmen für die EEG-Daten.
„Eine Möglichkeit zur Untersuchung der funktionellen Konnektivität im Gehirn ist die Suche nach ähnlichen mustern von Aktivierung in anderen Regionen“, sagt Ombao. „Moderne EEG-Technologien erlauben uns die Daten jede Millisekunde, die auf Hunderten von Kanälen, was bedeutet, dass eine Aufnahme noch ein paar Minuten in einem sehr großen Datensatz. Zur Analyse solcher Datenbestände effektiver zu gestalten, haben wir zwei clustering-algorithmen sind sehr schnell und bieten eine präzise und interpretierbar Zusammenfassung der Gehirn-region connectivity“.
EEG-Signale werden allgemein untersucht, durch die Analyse Ihrer Häufigkeit, Zusammensetzung, ähnlich wie Kommissionierung aus den Obertönen, die verschiedene Musikinstrumente Ihren eigenen sound. Einen hohen Grad der ähnlichkeit in der Häufigkeit der Zusammensetzung könnte bedeuten, dass zwei Signale funktional miteinander verbunden.
Postdoctoral fellow, Carolina Euan, in Zusammenarbeit mit Ombao und Joaquín Ortega, aus dem Zentrum für Mathematische Untersuchung in Mexiko, entwickelte sich die hierarchische spektralen Verschmelzung clustering-Methode, um schnell zu identifizieren, die Gruppen ähnlicher Signale mit diskreten Frequenzbänder. Allerdings werden diese Cluster nicht unbedingt abhängig in einem funktionellen Konnektivität Sinn. Zur Verfeinerung der Analyse, Euan, Ombao und Sonne arbeiteten zusammen in eine hierarchische cluster-die Kohärenz Methode, um diejenigen Cluster, die stark innerhalb bestimmter Frequenzbänder.
„Durch die Anwendung unserer Methode auf EEG-Daten, wir können pick out-Regionen des Gehirns, die voneinander abhängig sind und identifizieren Sie die zugrunde liegende Frequenz band, in dem Sie sind funktionell synchronisiert“, sagt Euan.
Was kommt als Nächstes?