Bayesian Classification of fMRI Patterns for Natural Audiovisual Stimuli Using Sparsity Promoting Laplace Priors

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Jylänki, Pasi
dc.contributor.advisor Vehtari, Aki
dc.contributor.author Koistinen, Olli-Pekka
dc.date.accessioned 2012-10-03T09:39:07Z
dc.date.available 2012-10-03T09:39:07Z
dc.date.issued 2012
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/5289
dc.description.abstract Bayesian linear binary classification models with sparsity promoting Laplace priors were applied to discriminate fMRI patterns related to natural auditory and audiovisual speech and music stimuli. The region of interest comprised the auditory cortex and some surrounding regions related to auditory processing. Truly sparse posterior mean solutions for the classifier weights were obtained by implementing an automatic relevance determination method using expectation propagation (ARDEP). In ARDEP, the Laplace prior was decomposed into a Gaussian scale mixture, and these scales were optimised by maximising their marginal posterior density. ARDEP was also compared to two other methods, which integrated approximately over the original Laplace prior: LAEP approximated the posterior as well by expectation propagation, whereas MCMC used a Markov chain Monte Carlo simulation method implemented by Gibbs sampling. The resulting brain maps were consistent with previous studies for simpler stimuli and suggested that the proposed model is also able to reveal additional information about activation patterns related to natural audiovisual stimuli. The predictive performance of the model was significantly above chance level for all approximate inference methods. Regardless of intensive pruning of features, ARDEP was able to describe all of the most discriminative brain regions obtained by LAEP and MCMC. However, ARDEP lost the more specific shape of the regions by representing them as one or more smaller spots, removing also some relevant features. en
dc.description.abstract Bayesilaisia lineaarisia binääriluokittelumalleja ja harvoja ratkaisuja suosivia Laplace- prioreja sovellettiin erottelemaan luonnollisiin auditorisiin ja audiovisuaalisiin puhe- ja musiikkiärsykkeisiin liittyvää fMRI-aktivaatiota kuuloaivokuorella ja sitä ympäröivillä auditoriseen prosessointiin liittyvillä alueilla. Absoluuttisen harvoja posteriorisia odotusarvoratkaisuja luokittimien painoille saatiin expectation propagation -algoritmin avulla toteutetulla automatic relevance determination -menetelmällä (ARDEP). ARDEP-menetelmässä hyödynnettiin Laplace-priorin gaussista skaalahajotelmaa, jonka skaalaparametrit optimoitiin maksimoimalla niiden marginaalinen posterioritiheys. Menetelmää verrattiin myös kahteen muuhun menetelmään, jotka integroivat approksimatiivisesti alkuperäisen Laplace-priorin yli: LAEP approksimoi posteriorijakaumaa niin ikään expectation propagation -algoritmin avulla, kun taas MCMC käytti Gibbs -poiminnalla toteutettua Markovin ketju Monte Carlo -simulaatiomenetelmää. Tuloksena saadut aivokartat olivat linjassa aikaisempien, yksinkertaisemmilla ärsykkeillä saatujen tutkimustulosten kanssa, ja niiden perusteella bayesilaisten luokittelumallien avulla on mahdollista saada myös uudenlaista tietoa siitä, miten luonnollisia audiovisuaalisia ärsykkeitä koodataan aivoissa. Mallien ennustuskyky oli kaikilla approksimaatiomenetelmillä merkittävästi sattumanvaraista tasoa korkeampi. Piirteiden voimakkaasta karsinnasta huolimatta ARDEP pystyi kuvaamaan kaikki huomattavimmat LAEP:n ja MCMC:n erottelemat aivoalueet. ARDEP menetti kuitenkin alueiden tarkemman muodon esittämällä ne yhtenä tai useampana pienempänä alueena, poistaen myös osan merkittävistä piirteistä. fi
dc.format.extent [11] + 69 s.
dc.format.mimetype application/pdf
dc.language.iso en en
dc.title Bayesian Classification of fMRI Patterns for Natural Audiovisual Stimuli Using Sparsity Promoting Laplace Priors en
dc.title Luonnollisiin audiovisuaalisiin ärsykkeisiin liittyvän fMRI-aktivaation bayesilainen luokittelu harvoja ratkaisuja suosivia Laplace-prioreja käyttäen fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.department Lääketieteellisen tekniikan ja laskennallisen tieteen laitos fi
dc.subject.keyword audiovisuaalinen fi
dc.subject.keyword bayesilainen fi
dc.subject.keyword fMRI fi
dc.subject.keyword kuuloaivokuori fi
dc.subject.keyword Laplace-priori fi
dc.subject.keyword luokittelu fi
dc.subject.keyword musiikki fi
dc.subject.keyword puhe fi
dc.subject.keyword audiovisual en
dc.subject.keyword auditory cortex en
dc.subject.keyword automatic relevance determination en
dc.subject.keyword Bayesian en
dc.subject.keyword classification en
dc.subject.keyword expectation propagation en
dc.subject.keyword fMRI en
dc.subject.keyword Laplace prior en
dc.subject.keyword music en
dc.subject.keyword speech en
dc.identifier.urn URN:NBN:fi:aalto-201210043223
dc.type.dcmitype text en
dc.programme.major Laskennallinen tekniikka fi
dc.programme.mcode S-114
dc.type.ontasot Diplomityö fi
dc.type.ontasot Master's thesis en
dc.contributor.supervisor Lampinen, Jouko


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account