Tez No	İndirme	Tez Künye	Durumu
719243		An information-theoretic representation of human brain for decoding mental states of complex problem solving / Karmaşık Problem Çözmenin Zihinsel Durumlarının Bilgi Teorisiyle Temsili Yazar:GÖNÜL GÜNAL DEĞİRMENDERELİ Danışman: PROF. DR. FATOŞ TUNAY YARMAN VURAL Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Enformatik Enstitüsü / Bilişsel Bilim Ana Bilim Dalı / Bilişsel Bilimler Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Psikoloji = Psychology Dizin:Beyin fonksiyonları = Brain functions ; Entropi = Entropy ; Kullback-Leibler uzaklığı yaklaşımı = Kullback-Leibler divergence measure ; Problem çözme = Problem solving ; Sinir ağları = Nerve net	Onaylandı Doktora İngilizce 2022 161 s.
Bu tezde, üst seviye bir bilişsel süreç olan karmaşık problem çözme ile ilgili zihinsel durumları çözümlemek amacıyla, insan beyin aktivitesinin temsili için Shannon bilgi teorisine dayalı bir yöntem önerilmektedir. Bu yöntem ile, karmaşık problem çözme görevindeki bilişsel durumların hesaplamalı modelleri oluşturulmuştur. İlk aşamada, problem çözüm süreci ile beyin bölgelerinin entropi değerleri arasındaki ilişki araştırılmıştır. Karmaşık problem çözme sürecinde beyin bölgelerinin içerdikleri bilgi miktarları ölçülerek, aktif bölgelerin belirlenmesi ve başarılı ve başarısız problem çözücüler için bu sürecin temel aşamalarındaki zihin durumlarının tanımlanması hedeflenmiştir. Bu amaçla Shannon Enformasyon Kuramı temel alınarak, insan beyni için iki yeni tanım geliştirilmiştir. Statik ve dinamik entropi adını verdiğimiz bu tanımlar kullanılarak anatomik bölgeler ve bunlar arasındaki ilişkiler modellenmiş, önerilen entropi ölçümlerinin problem çözme sürecindeki aktif beyin bölgelerini başarıyla tanımladığı görülmüştür. Problem çözme sürecinde düşük entropiye sahip anatomik bölgeler literatürde deneysel sinirbilim tarafından tanımlanan aktif bölgelerle uyumludur. Ardından, göreceli entropi olarak adlandırılan Kullback-Leibler sapması yöntemi ile, karmaşık problem çözme sırasında beyin bölgeleri arasındaki ilişki ölçülerek, başarılı ve başarısız problem çözücüler için bu sürecin temel aşamalarındaki fonksiyonel beyin ağları tahminlenmiştir. Önerilen beyin ağı modeli fonksiyonel Manyetik Rezonans Görüntüleme (fMRG) verileri üzerinde Destek Vektör Makineleri (SVM) algoritması kullanarak test edilmiş, planlama ve yürütme fazlarını %90'ın üzerinde başarı ile sınıflandırmıştır. Önerilen hesaplama modellerinin, karmaşık problem çözme sürecindeki aktif beyin bölgelerini saptamak, statik ve dinamik beyin ağlarını tahmin etmek, ve zihin durumlarını ortaya çıkarmak için umut verici olduğu görülmüştür.
In this thesis, we propose an information-theoretic method for the representation of human brain activity to decode mental states of a high-order cognitive process, complex problem solving (CPS) using functional magnetic resonance images. First, we aim to identify the active regions and represent underlying cognitive states by measuring the information content of anatomical regions for expert and novice problem solvers during the main phases of problem-solving, namely planning and execution. Based on Shannon's entropy definition, we define two new measures: static and dynamic entropy. We investigate the relationship between problem-solving phases and the entropy values of anatomical regions. The defined entropy measures successfully identify active brain regions involved in complex problem-solving. Anatomical regions with low entropy are consistent with active regions recognized by experimental neuroscience. Then, we introduce a novel method to estimate static and dynamic brain networks using Kulback-Leibler divergence (relative entropy) for representing the complex problem-solving task. We investigate the validity of the estimated brain networks by modeling the planning and execution phases of complex problem-solving. The suggested computational network model is tested by a classification algorithm to discriminate the two phases of complex problem-solving. It is observed that the suggested computational models successfully discriminate the planning and execution phases of the complex problem solving with more than 90% accuracy. Our results show that the proposed entropy and relative entropy measures hold strong promise for identifying active regions, detecting mind states and predicting brain networks associated with complex problem solving.