aalto1 untyped-item.component.html
Latent-noise Bayesian reduced rank regression in neural fingerprinting
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
SCI3027
Degree programme
Language
en
Pages
36
Series
Abstract
Neural fingerprinting is an emerging field that intersects neuroscience and machine learning, aiming to extract subject-specific signals in neuroimaging data. These signals, neural fingerprints, can be constructed from, for example, electroencephalography (EEG) or magnetoencephalography (MEG) data with the assistance of different machine learning models. The aim is to observe typically weak individual signals from the data which enable individual differentiation. These neural fingerprints have the potential to, for example, enhance medical diagnostics and enable the development of new biometric applications.
This thesis is a literature review. The focus is on how latent-noise Bayesian Reduced Rank Regression (ln-BRRR) can be utilized for individual differentiation from EEG and MEG data. First, a mathematical overview of the model is given and then it is evaluated from the perspectives of three relevant studies in the context of neural fingerprinting. The strengths and weaknesses of the model are analyzed as well as the possible research gaps and future directions.
The results of the literature review suggest that ln-BRRR is a successful model for individual differentiation from EEG and MEG data and, in optimal conditions, is capable of differentiating individuals with over 90 percent accuracy. One of the strengths of the model is its ability to significantly reduce the dimensionality of the data. Future studies could focus on how ln-BRRR scales to large volumes of data as well as unforeseen data. Additionally, it would be meaningful to investigate which underlying neurological phenomena the model utilizes for individual differentiation.
Aivosormenjälkien (neural fingerprint) luominen on uusi, kasvavassa suosiossa oleva ala, joka yhdistää neurologian ja koneoppimisen. Aivosormenjäljet luodaan esimerkiksi aivomagneettikäyrän (MEG) tai -sähkökäyrän (EEG) pohjalta erilaisia koneoppimismalleja hyödyntäen. Tavoitteena on havainnoida datasta löytyviä yksilölle ominaisia, tyypillisesti heikkoja signaaleja, joiden avulla yksilöitä voidaan erottaa toisistaan. Tällaisilla aivosormenjäljillä on mahdollisuus parantaa lääketieteellistä diagnostiikkaa sekä mahdollistaa esimerkiksi uudenlaisten biometristen sovellusten kehittämistä.
Tämä kandidaatintyö on toteutettu kirjallisuustutkielmana. Tarkastelussa on erityisesti se, kuinka Bayesilaista matalan asteen regressiota latentilla kohinalla (latent-noise Bayesian Reduced Rank Regression, ln-BRRR) pystytään hyödyntämään yksilöiden erottelemiseen aivosähkökäyrään ja -magneettikäyrään pohjautuvassa datassa.
Ln-BRRR –mallia käsitellään yleisesti matemaattisten ominaisuuksien näkökulmasta sekä kolmen relevantin tutkimuksen pohjalta. Työssä myös pohditaan kyseisen mallin vahvuuksia ja heikkouksia yksilöiden erottelemisessa sekä nykyisten tutkimusten mahdollisia tutkimusaukkoja ja tulevaisuuden suuntauksia.
Tutkielman tulosten perusteella ln-BRRR on menestyksekäs malli ihmisten yksilöimiseen aivomagneetti- ja sähkökäyrään pohjautuvan datan perusteella, ja pystyy parhaimmillaan erottelemaan yksilöitä toisistaan jopa yli 90 prosentin todennäköisyydellä. Eräs menetelmän vahvuus on datan moniulotteisuuden vähentäminen. Tulevaisuuden tutkimukset voisivat keskittyä siihen, miten hyvin ln-BRRR skaalautuu suuriin datamääriin ja ennaltanäkemättömään dataan. Lisäksi olisi merkityksellistä selvittää, mitä neurologisia ilmiöitä malli hyödyntää yksilöiden erottelemiseen.