Modeling high-dimensional time series from large scale brain networks (2020)
- Authors:
- Autor USP: NASCIMENTO, DIEGO CARVALHO DO - INTER: ICMC -UFSCAR
- Unidade: INTER: ICMC -UFSCAR
- Sigla do Departamento: SME
- DOI: 10.11606/T.104.2020.tde-23072020-155937
- Subjects: ANÁLISE DE SÉRIES TEMPORAIS; ACIDENTE VASCULAR CEREBRAL; TEORIA DOS GRAFOS; INFERÊNCIA BAYESIANA; MODELOS DE RISCOS PROPORCIONAIS; ANÁLISE DE SOBREVIVÊNCIA
- Keywords: Dados de alta-dimensionalidade; Dynamic Models; Graphical models; High-dimensional data analysis; Modelos de grafos; Modelos dinâmicos; Multivariate Time Series
- Agências de fomento:
- Language: Inglês
- Abstract: Neste projeto focamos na necessidade de compreender sobre a conectividade cerebral, através da direção/correlação entre as áreas cerebrais, por meio de biossinais, embora essa tarefa apresente dificuldades como dependência espaço-temporal e algumas restrições computacionais. Naturalmente, o uso de large vector autoregression (VAR) seria apropriado se não apresentassem problema de alta dimensionalidade, onde o espaço paramétrico é largamente representativo. Além disso, o encolhimento nos espaços de dados/parâmetros não é uma tarefa trivial, essencialmente demandando mantendo interpretabilidade nos resultados. Portanto, algumas modificações foram discutidas, em relação ao modelo via gráfos e análise de entropia, adotando uma abordagem Bayesiana, motivada por estimatar a conectividade do cérebro humano usando sinais de eletroencefalograma (EEG). Assim, a motivação que este utilizou foi proveniente de um estudo de caso de neuro-reabilitação, no que se refere à manipulação da verticalidade humana, nele utilizamos a estimulação transcraniana de corrente direta de alta definição (HD-tDCS) como modulação não invasiva visando a recuperação de pacientes pós-AVC.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2020
- Data da defesa: 27.03.2020
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
NASCIMENTO, Diego Carvalho do. Modeling high-dimensional time series from large scale brain networks. 2020. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2020. Disponível em: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-23072020-155937/. Acesso em: 23 maio 2024. -
APA
Nascimento, D. C. do. (2020). Modeling high-dimensional time series from large scale brain networks (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/104/104131/tde-23072020-155937/ -
NLM
Nascimento DC do. Modeling high-dimensional time series from large scale brain networks [Internet]. 2020 ;[citado 2024 maio 23 ] Available from: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-23072020-155937/ -
Vancouver
Nascimento DC do. Modeling high-dimensional time series from large scale brain networks [Internet]. 2020 ;[citado 2024 maio 23 ] Available from: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-23072020-155937/ - Birnbaum-Saunders autoregressive conditional range model applied to stock index data
- Copula bivariate model: predictive analytics on estimation tinnitus psychoacoustic parameters
- Multivariate time series high-dimensional shrinkage with dynamic graphical modeling
- Dynamic graphical models in neuroscience: a new proposed hierarchical model
- Dynamic conditional correlation GARCH: a multivariate time series novel using a bayesian approach
- Dynamic time series smoothing for symbolic interval data applied to neuroscience
- BrainWave nets: are sparse dynamic models susceptible to brain manipulation experimentation?
- Medical care in emergency units with risk classification: time to attendance at a hospital based on parametric models
- Modeling traumatic brain injury lifetime data: improved estimators for the generalized gamma distribution under small samples
- Entropy analysis of high-definition transcranial electric stimulation effects on EEG dynamics
Informações sobre o DOI: 10.11606/T.104.2020.tde-23072020-155937 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas