Dokument: Unsupervised Machine Learning For Human Neural Electrophysiology Signals

Titel:	Unsupervised Machine Learning For Human Neural Electrophysiology Signals
Weiterer Titel:	Unüberwachtes maschinelles Lernen für menschliche neuronale elektrophysiologische Signale
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=62965
URN (NBN):	urn:nbn:de:hbz:061-20230626-132646-1
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Mr. Sharma,Abhinav [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 7,28 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 23.06.2023 / geändert 23.06.2023
Stichwörter:	Machine learning, Computational neuroscience, Time series
Dewey Dezimal-Klassifikation:	100 Philosophie und Psychologie » 150 Psychologie
Beschreibungen:	Electrophysiological (e-phys) brain signals recorded in humans pose an arduous challenge both from an interpretability and analysis standpoint. Issues arise due to the very nature of the signal recorded. Known as "field potentials (FPs)," these signals arise from complex multiscale physiological properties ranging from a single neuron to a group of neurons extending all the way to the whole brain level. Hence, analysis-wise, differentiating the origin of e-phys signals is difficult. From an interpretability standpoint, ascribing neural functions to e-phys signals recovered under wildly different circumstances becomes even more convoluted. Additionally, the multiscale physiological properties endow the e-phys signals with varied statistical properties. In this thesis, we argue that various neurophysiological aspects of e-phys signals recorded in humans can be extracted by leveraging unsupervised machine learning (UML) designed to exploit the underlying statistical properties of the data. To test our hypothesis, we used different unsupervised algorithms on varying types of human e-phys datasets. We used independent component analysis to extract spontaneous resting state networks in healthy adults, achieving results comparable to those of imaging-based methods in humans. Furthermore, we were able to retrieve information regarding the spectral characteristics of the networks that are closely related to inter-region communication in the brain. Next, we delineated the different effects a complex neuromodulator like dopamine could have on cortico-subthalamic nucleus connectivity using a hidden Markov model (HMM). thus paving the way to retrieve the spatial, spectral, and temporal properties of brain networks. In addition, with our HMM pipeline, we addressed the issue of nonstationarity of brain signals, which is often ignored during analysis. Finally, we could retrieve the effects of inter-network dynamics on behavioral variability using a task dataset. Analytically, we used a combination of HMM and diffusion maps to gain novel insights into the relationship between spectral activity and whole brain networks responsible for different types of cognitive control. The complexity of e-phys FPs presents a unique opportunity to use modern machine learning (ML) algorithms, which have become increasingly sophisticated over the years, backed by computational hardware progress. However, we should emphasize that the current success of machine learning relies on years of human-labelled and carefully crafted datasets. This has led to high signal-to noise ratio datasets for problems that are the majority targets of ML as a field. Thus, this thesis also provides a note of caution against blindly using ML algorithms on increasingly complex low signal-to-noise ratio biological datasets, especially neuroscientific ones, without comprehending biological theory. Appreciation and assimilation of ML and neuroscientific theory promise to reveal insights into brain structure and function. Beim Menschen aufgezeichnete elektrophysiologische (e-phys) Gehirnsignale stellen sowohl hinsichtlich der Interpretierbarkeit als auch der Analyse eine große Herausforderung dar. Aufgrund der Natur des aufgezeichneten Signals treten Probleme auf. Diese als „Feldpotentiale (FPs)“ bekannten Signale entstehen aus komplexen, mehrskaligen physiologischen Eigenschaften, die von einem einzelnen Neuron über eine Gruppe von Neuronen bis hin zur gesamten Gehirnebene reichen. Aus analytischer Sicht ist es daher schwierig, den Ursprung von E-Phys-Signalen zu unterscheiden. Unter dem Gesichtspunkt der Interpretierbarkeit wird die Zuschreibung neuronaler Funktionen zu E-Phys-Signalen, die unter völlig unterschiedlichen Umständen gewonnen wurden, noch komplizierter. Darüber hinaus verleihen die multiskaligen physiologischen Eigenschaften den E-Phys-Signalen vielfältige statistische Eigenschaften. In dieser Dissertation argumentieren wir, dass verschiedene neurophysiologische Aspekte der beim Menschen aufgezeichneten E-Phys-Signale durch den Einsatz von unüberwachtem maschinellem Lernen (UML) extrahiert werden können, das darauf ausgelegt ist, die zugrunde liegenden statistischen Eigenschaften der Daten auszunutzen. Um unsere Hypothese zu testen, verwendeten wir verschiedene unbeaufsichtigte Algorithmen für verschiedene Arten menschlicher E-Phys-Datensätze. Mithilfe unabhängiger Komponentenanalysen haben wir spontane Ruhezustandsnetzwerke bei gesunden Erwachsenen extrahiert und dabei Ergebnisse erzielt, die mit denen bildgebender Methoden beim Menschen vergleichbar sind. Darüber hinaus konnten wir Informationen über die spektralen Eigenschaften der Netzwerke abrufen, die eng mit der interregionalen Kommunikation im Gehirn zusammenhängen. Als nächstes haben wir mithilfe eines Hidden-Markov-Modells (HMM) die verschiedenen Auswirkungen beschrieben, die ein komplexer Neuromodulator wie Dopamin auf die Konnektivität des kortiko-subthalamischen Kerns haben könnte. Damit wird der Weg geebnet, die räumlichen, spektralen und zeitlichen Eigenschaften von Gehirnnetzwerken abzurufen. Darüber hinaus haben wir mit unserer HMM-Pipeline das Problem der Nichtstationarität von Gehirnsignalen angegangen, das bei der Analyse oft ignoriert wird. Schließlich konnten wir mithilfe eines Aufgabendatensatzes die Auswirkungen der Dynamik zwischen Netzwerken auf die Verhaltensvariabilität ermitteln. Analytisch verwendeten wir eine Kombination aus HMM- und Diffusionskarten, um neue Einblicke in die Beziehung zwischen spektraler Aktivität und Netzwerken des gesamten Gehirns zu gewinnen, die für verschiedene Arten der kognitiven Kontrolle verantwortlich sind. Die Komplexität von E-Phys-FPs bietet eine einzigartige Gelegenheit, moderne Algorithmen des maschinellen Lernens (ML) zu nutzen, die im Laufe der Jahre immer ausgefeilter geworden sind und durch den Fortschritt der Computerhardware unterstützt werden. Wir sollten jedoch betonen, dass der aktuelle Erfolg des maschinellen Lernens auf jahrelangen, von Menschen gekennzeichneten und sorgfältig erstellten Datensätzen beruht. Dies hat zu Datensätzen mit hohem Signal-Rausch-Verhältnis für Probleme geführt, die die Hauptziele von ML als Fachgebiet sind. Daher warnt diese Arbeit auch davor, ML-Algorithmen blind auf immer komplexere biologische Datensätze mit niedrigem Signal-Rausch-Verhältnis, insbesondere neurowissenschaftliche, anzuwenden, ohne die biologische Theorie zu verstehen. Die Wertschätzung und Assimilation von ML und neurowissenschaftlicher Theorie versprechen Einblicke in die Struktur und Funktion des Gehirns.
Lizenz:	Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:	Mathematisch- Naturwissenschaftliche Fakultät
Dokument erstellt am:	26.06.2023
Dateien geändert am:	26.06.2023
Promotionsantrag am:	10.01.2023
Datum der Promotion:	25.05.2023