Cargando sitio

Robust and Nonparametric Statistical Tools for Big Data in Neuroscience


Robust and Nonparametric Statistical Tools for Big Data in Neuroscience. Henry Laniado Rodas. Research group in mathematical modeling – GRIMMAT, Universidad EAFIT.
Escuela de Ciencias Universidad EAFIT. Agosto 4 de 2017
Seminario de Doctorado en Ingeniería Matemática Universidad EAFIT
Seminar of the PhD in Mathematical Engineering EAFIT University.
Abstract: How the human brain works is one of the most beautiful questions we have been asking our whole life, and it is amazing how the statistical field can help to answer this question. Functional Magnetic Resonance Imaging (fMRI) is one of the top techniques within the neuroimaging field that relates with this topic. The aim of fMRI data analysis is to determine which regions of the brain are either activated or inactivated with respect to an experimental design. In order to do this, one must consider a large partition of the whole brain, consisting of a set of very small cuboid elements called voxels, each of one representing a million of brain cells. After the patient is subjected to some type of stimulus (auditory, visual, mechanical), the result of the entire procedure is an image of the brain, showing some zones that were positively related to the experiment and the rest of the area, represents the non-activated zones, i.e. the areas that did not have relation at all with the experiment. Note that they are actually clusters of voxels—perhaps hundreds of them. This leads to the statistical problem of how to manage this dataset to obtain an image as the explained previously. Complexity and massive amount of this kind of data, and the presence of different types of noises, makes the fMRI data analysis a challenging one; that demands robust and computationally efficient statistical analysis methods for high Dimensional data. The classical approach is to consider in each voxel of the brain a General Linear Model to estimate if the observed signal is significantly similar to the expected signal, in order to decide activation or not activation for each voxel.
However, we need to be aware of the assumptions of the models, in order to consider the results as valid and then obtaining correct statistical inference, but with this kind of data, these assumptions do not always hold. So, the adopted methodology to address fMRI statistical analysis lacks of robustness, although it is computationally efficient. We propose here a non-parametric a robust statistical techniques to face this problem, while maintaining efficient computational time, comparable with the classic method. In other words, we are interested on finding a method that provides to the neuroimaging field with a balance between robustness and computational efficiency.

Herramientas estadísticas robustas y no paramétricas para grandes datos en neurociencia.
Resumen: Cómo funciona el cerebro humano es una de las preguntas más bellas que hemos estado preguntando toda nuestra vida, y es sorprendente cómo el campo estadístico puede ayudar a responder a esta pregunta. Imagen de resonancia magnética funcional (fMRI) es una de las principales técnicas dentro del campo de neuroimagen que se relaciona con este tema. El objetivo del análisis de datos fMRI es determinar qué regiones del cerebro están activadas o inactivadas con respecto a un diseño experimental. Para hacer esto, hay que considerar una gran partición de todo el cerebro, que consiste en un conjunto de elementos cuboides muy pequeños llamados voxels, cada uno de los cuales representa un millón de células cerebrales. Después de someter al paciente a algún tipo de estímulo (auditivo, visual, mecánico), el resultado de todo el procedimiento es una imagen del cerebro, mostrando algunas zonas positivamente relacionadas con el experimento y el resto del área, representa el Zonas no activadas, es decir, las zonas que no tenían relación alguna con el experimento. Tenga en cuenta que en realidad son clusters de voxels, quizás cientos de ellos. Esto conduce al problema estadístico de cómo administrar este conjunto de datos para obtener una imagen como la explicada anteriormente. La complejidad y la cantidad masiva de este tipo de datos, y la presencia de diferentes tipos de ruidos, hace que el análisis de datos fMRI sea un desafío; Que exige métodos de análisis estadísticos robustos y computacionalmente eficientes para datos de alta dimensión. El enfoque clásico es considerar en cada voxel del cerebro un Modelo Lineal General para estimar si la señal observada es significativamente similar a la señal esperada, para decidir la activación o no activación para cada voxel. Sin embargo, debemos ser conscientes de los supuestos de los modelos, para considerar los resultados como válidos y luego obtener inferencia estadística correcta, pero con este tipo de datos, estas suposiciones no siempre se mantienen. Por lo tanto, la metodología adoptada para abordar el análisis estadístico fMRI carece de robustez, aunque es computacionalmente eficiente. Proponemos aquí un no paramétrico robusto técnicas estadísticas para hacer frente a este problema, manteniendo un tiempo computacional eficiente, comparable con el método clásico. En otras palabras, estamos interesados ??en encontrar un método que proporcione al campo de neuroimagen un equilibrio entre robustez y eficiencia computacional.
 
Herramientas estadísticas robustas y no paramétricas para grandes datos en neurociencia
Robust and Nonparametric Statistical Tools for Big Data in Neuroscience. Henry Laniado Rodas

Autor: envivo

Compartir esta publicación en

Deja un comentario