Extraction of neural fingerprints from dynamic functional connectivity patterns with modulated neural ordinary differential equations
No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Author
Date
2024-08-19
Department
Major/Subject
Machine Learning, Data Science and Artificial Intelligence
Mcode
SCI3044
Degree programme
Master’s Programme in Computer, Communication and Information Sciences
Language
en
Pages
63 + 5
Series
Abstract
The existence of subject-specific signals in functional neuroimaging data has been shown in many studies, which has led to the concept of neural fingerprinting. These fingerprinting studies have traditionally concentrated on differentiating individuals based on summary statistics of neuroimaging data, such as functional connectivity, which describes statistical relationships between neuronal populations in the brain. However, these connectivity estimates are most often averaged over time. This thesis studies extraction of neural fingerprints by modelling static signals in time series data of functional connectivity. The dynamic functional connectivity patterns are obtained with a sliding window technique from resting-state magnetoencephalography (MEG) data and modelled with a continuous-time dynamical latent variable model, modulated neural ordinary differential equations (MoNODEs). The model is chosen based on its ability to model both dynamic and static properties of the time series data, which the observed functional connectivity trajectories of different subjects are assumed to express. Furthermore, the model is extended with Bayesian multiple shooting to improve its applicability to longer time series trajectories. The results illustrate limitations in the dynamical model as it is not able to fully reproduce the dynamics in the observed data. Regardless, the extracted neural fingerprints show promising identification performance for both training and novel test subjects, and they remain stable across the MEG recordings.Monissa tutkimuksissa on osoitettu, että funktionaalinen aivokuvantamisdata sisältää signaaleja, jotka kuvaavat tutkittujen henkilöiden yksilöllisiä piirteitä. Tämä on johtanut aivojen “sormenjälkiin” keskittyviin tutkimuksiin. Nämä tutkimukset ovat yleisesti käyttäneet pohjanaan erilaisia tilastollisia koosteita kuvantamisdatasta. Tällaisia ovat esimerkiksi funktionaalisen konnektiivisuuden estimaatit, jotka kuvaavat tilastollisesti eri puolilla aivoja olevien hermosolujoukkojen välillä olevia yhteyksiä. Useimmiten nämä konnektiivisuuden estimaatit on keskiarvollistettu ajan suhteen. Tämä tutkielma keskittyy tutkimaan aivojen sormenjälkiä mallintamalla staattisia signaaleja funktionaalisen konnektiivisuuden aikasarjadatasta. Nämä dynaamisen funktionaalisen konnektiivisuuden estimaatit lasketaan liikuttamalla estimointi-ikkunaa lepotila-aktiivisuutta kuvaavien magnetoenkefalografiamittausten yli. Estimaatteja mallinnetaan moduloiduilla neuroverkkoperusteisilla differentiaaliyhtälöillä, jotka kuvaavat aikasarjoja jatkuva-aikaisen dynaamisen latenttiprosessin avulla. Malli on valittu tutkimukseen, koska sen avulla kyetään mallintamaan sekä dynaamisia että staattisia eroja aikasarjoissa. Näitä kumpiakin oletetaan olevan useilta henkilöiltä mitatuissa funktionaalisen konnektiivisuden aikasarjoissa. Mallia myös jatkokehitetään Bayesilaisella aikasarjojen segmentointimenetelmällä, joka mahdollistaa mallin soveltamisen pidempiin aikasarjoihin. Tutkielman tulokset havainnollistavat dynaamisen mallin rajoittunutta kykyä generoida samanlaista dataa kuin on havaittu. Eristetyt aivojen sormenjäljet kuitenkin vaikuttavat lupaavilta ja sisältävät informaatiota, jota voidaan käyttää henkilöiden tunnistamiseen. Ne myös säilyvät vakaina magnetoenkefalografiamittausten läpi. On myös huomattavaa, että tutkitulla mallilla kyetään laskemaan hyvin erottuvia aivojen sormenjälkiä henkilöille, joita ei ole käytetty mallin harjoittamisessa.Description
Supervisor
Kaski, SamuelThesis advisor
Merz, SusanneKeywords
neural fingerprint, dynamic functional connectivity, magnetoencephalography (MEG), modulated neural ordinary differential equation (MoNODE), Bayesian multiple shooting
