Tez No	İndirme	Tez Künye	Durumu
719075		Prediction of psychophysical responses from spike recordings in rat sensorimotor cortex by using Bayesian models / Sıçan duyu-motor korteksinde kaydedilen aksiyon potansiyelleriyle psikofiziksel yanıtların Bayesçi kestirimi Yazar:SEVGİ ÖZTÜRK Danışman: PROF. DR. BURAK GÜÇLÜ Yer Bilgisi: Boğaziçi Üniversitesi / Biyo-Medikal Mühendislik Enstitüsü / Biyomedikal Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Biyomühendislik = Bioengineering ; Nöroloji = Neurology Dizin:Bayes istatistiksel karar teorisi = Bayesian statistical decision theory	Onaylandı Doktora İngilizce 2021 175 s.
Bu tezde, sinirbilimindeki temel bir soru üzerinde çalışılmıştır. Fiziksel çevremizden kaynaklanan duyusal uyaranların algıyı nasıl oluşturduğu ve değişken nöral temsillerin nasıl motor davranışa dönüştürüldüğü incelenmiştir. Bu konuda bulunan geniş literatürde, nöral aktiviteyi kullanarak uyaran parametrelerini, motor yanıtları ve davranışsal örüntüleri kestiren modeller yer almaktadır. Özellikle son yıllarda bu araştırma konusu duyu-motor protezlerinin ve beyin-bilgisayar arayüzlerinin (BBA) gelişmesiyle daha da önem kazanmıştır. Ancak, bu uygulamalarda kullanılan gerçek zamanlı algoritmaların birçok kısıtlamaları vardır. Tezin ana amacı, beyinde duyu-motor bilgi işlemeyi daha iyi anlayabilmek ve gelecekteki BBA'lar için yeni bir yöntem kazandırmak adına Bayesçi modeller geliştirmektir. Özel olarak, psikofiziksel evet/hayır algılama görevi sırasında ayık, davranış halindeki sıçanların duyu-motor korteksinden aksiyon potansiyeli verileri toplanmıştır. Genel bir Bayesçi yaklaşımla, görevle ilgili önsel dağılımlar, kanıya ait sonsal dağılımlar ve hayvanın gözlenen seçimine uyması için amaç fonksiyonu hesaplandı. Uyaran varlığı, popülasyon nöral aktivitesi ve motor yanıtları için oluşturulan rastlantı değişkenleri olasılıksal bir grafik ağında birleştirildi. Tezde ilk olarak bir beden duyusu nöroprotezi uygulaması sunulmuştur. Daha sonra, psikofiziksel görevdeki her bir deneme cevaplarını çevrimdışı tahminlemek için Bayesçi bir model kullanıldı. Elde edilen sonuçlar, psikofiziksel olarak düşük performanslı sıçanların Bayesçi yaklaşımla daha iyi modellenebileceğini göstermiştir. Ayrıca, simülasyon sonuçları diğer güdümlü öğrenme algoritmalarının (lineer diskriminant analizi, karar ağaçları vb.) tahminleriyle karşılaştırmıştır. Yine Bayesçi tahmin, düşük performanslı sıçanlar için bu algoritmalar arasında en iyilerden biri olarak bulunmuştur. Son olarak, nöral aktivite yanısıra geçmiş denemelerdeki motor cevapları da kullanan kademeli bilgi içeren Bayesçi modeller oluşturulmuştur. Bu sonuçlar ise, nöron popülasyondaki ortalama ateşleme oranlarının motor cevabı yüksek hassasiyet ve düşük yanlılık ile tahmin edebildiğini göstermiştir. Tezdeki yöntemlerin ve sonuçların, BBA kullanan rehabilitasyon uygulamalarında ve nöroprotezlere alışma sürecinde faydalı olması beklenmektedir.
In this thesis, we studied the fundamental question in neuroscience: how perception is built based on the sensory stimuli from the physical world and turned into motor actions in the face of uncertain neural representations. The vast body of literature contains models using neural activity to decode stimulus parameters, motor responses, and behavioral patterns. In particular, this line of research became more important as sensorimotor neuroprostheses and brain-computer interfaces (BCI) were made possible by recent advances in technology. The real-time algorithms used in those applications have many limitations. The main goal of the thesis is to use Bayesian models to understand sensorimotor processing and develop a novel approach for future BCIs. Specifically, spike data were collected from awake behaving rats during psychophysical yes/no detection task. Within a Bayesian framework, task-related priors, posterior beliefs, and the objective function to match the observed choice of the animal were calculated. The random variables for stimulus presentation, population neural activity, and motor responses were combined in a probabilistic graph network. First, a somatosensory neuroprosthesis application is demonstrated. Next, the Bayesian model was used to predict trial-by-trial responses offline. It was found that psychophysically low-performing rats could be modelled better with the Bayesian approach. The simulation results were compared to predictions of other supervised learning algorithms (such as linear discriminant analysis, decision trees, etc.). The Bayesian prediction was one of best among those algorithms for low-performing rats. Finally, behavioral responses from previous trials and neural activity from the current trial were included in various Bayesian models, which studied the effects of incremental information to predict the behavioral response in the current trial. The results showed that the average firing rates in a population of neurons are mostly adequate to predict lever presses in the psychophysical task with high sensitivity and low bias. This thesis provides new insights into computational modeling to understand sensorimotor processing and development of future BCIs. Bayesian modeling can be particularly useful in rehabilitation and during the training period of neuroprostheses.