Tez No	İndirme	Tez Künye	Durumu
341120		An information theoretic representation of brain connectivity for cognitive state classification using functional magnetic resonance imaging / Fonksiyonel manyetik rezonans görüntüleme ile bilişsel süreç sınıflandırması için beyindeki bağlanırlığın bilgi teoretik temsili Yazar:ITIR ÖNAL Danışman: PROF. DR. FATOŞ TÜNAY YARMAN VURAL Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Yüksek Lisans İngilizce 2013 107 s.
Bu çalışmada, fonksiyonel Manyetik Rezonans Görüntüleme (fMRG) verisinde dağılmış ayrımsayıcı bilginin analizi ve ifadesi için yeni bir metot önerilmiştir. Bu amaçla, her vokselin (tohum vokselin) çevresinde değişken boyutlarda bir yerel örgü oluşturulur. Her tohum voksel ile komşuları arasındaki ilişki, bir doğrusal bağlanım denklemi kullanılarak, hatanın karesi minimize edilecek şekilde kestirilir. Doğrusal bağlanımdan elde edilen hata karesi çeşitli bilgi teoretik kriterlerin hesaplanmasında kullanılır. Daha sonra, voksel ve komşuları arasındaki ilişkileri temsil eden ideal örgü boyutu, bilgi teoretik kriterlerin örgü boutuna göre minimize edilmesiyle kestirilir. İdeal örgü boyutu, bağlanırlık derecesinin ifade edilmesinde kullanılır, öyle ki eğer ideal örgü boyutu küçükse vokselin az sayıda komşusuna bağlandığı varsayılır. Öte yandan, yüksek ideal örgü boyutu voksellerin yoğun olarak bağlantılı olduğunu gösterir. Önerilen metot en yüksek ayrımsayıcı güce sahip yerel örgü boyutunun katılımcılara, deneydeki örneklere ve voksellere bağlı olduğunu göstermektedir. Sonuçlar, ideal örgü boyutuna sahip yerel örgü modelinin, ayrımsayıcı bilgiyi başarıyla temsil ettiğini gösterir.
In this study, a new method for analyzing and representing the discriminative information, distributed in functional Magnetic Resonance Imaging (fMRI) data, is proposed. For this purpose, a local mesh with varying size is formed around each voxel, called the seed voxel. The relationships among each seed voxel and its neighbors are estimated using a linear regression equation by minimizing the expectation of the squared error. This squared error coming from linear regression is used to calculate various information theoretic criteria. Then, the optimal mesh size, which represents the connections among a voxel and its neighbors, is estimated by minimizing these information theoretic criteria with respect to mesh size. The optimal mesh size is used to represent the degree of connectivity such that if the optimal mesh size is small, then the voxel is assumed to be connected with a small number of neighbors. On the other hand, high optimal mesh size indicates that voxels are massively connected. The proposed method shows that the local mesh size with the highest discriminative power depends on the participants, samples in the experiment, and voxels. The results indicate that the local mesh model with optimal mesh size can successfully represent discriminative information.