Statistical analysis of cognitive signals measured by fNIRS

Abstract

İşlevsel yakın kırmızıaltı spektroskopinin (iYKAS) güvenilir bir nörogörüntüleme yöntemi olarak kabul edilebilmesi için sinyal işleme teknikleri açısından bir standartlaştırmaya ihtiyaç vardır. Bu tez çalışması istatistiksel çıkarsama yöntemlerinin iYKAS sinyallerine uygulanmasının kapsamlı bir olurluk incelemesini yapmayı amaçlamıştır. Sıradüzensel doğrusal modeller kullanılarak, hem klasik hem de Bayesçi çerçevede değişik yöntemlerin başarımı karşılaştırmalı olarak sunulmuştur. Bilişsel bir deney sırasında ölçülen sinyallerden elde edilen sonuçlar iYKAS'ınn hem denek hem de grup seviyesinde bilişsel aktiviteyi belirleyebildiğini göstermiştir. Yapılan analizler karışık ya da Bayesçi sıradüzensel modellerin iYKAS sinyalleri için daha uygun olduğunu ortaya koymuştur. Bununla ilintili olarak bu tez çalışmasında tartışıllan diğer bir problem istatistiksel analizin sonuçlarının altta yatan fizyolojiyle uyumunun garanti edilmesidir. Bu problem kestirilecek parametreler üzerinde kısıtlar koyulmasıyla ele alınmıştır. Ardından problemi Bayesçi bir çerçeveye taşıyarak kısıtlar önsel dağılımlara dönüştürülmüş ve Gibbs örneklemesi kullanılarak sonsal dağılımlar üzerinden çıkarsama yapılmıştır. Sonuçlar, parametre kısıtları koymanın, analizin sonucunda olası olmayan sonuçlar çıkmasını engellemenin yanı sıra ağır gürültüyle örtülmüş aktivitelerin de ortaya çıkarılması için daha etkin olduğunu ortaya koymuştur. Tezin son bölümü hipotez temelli istatistiksel çıkarsama tekniklerinden uzaklaşmakta ve bilgi-kuramsal ölçütlerin iYKAS için kullanımına giriş yapmaktadır. Bunu yaparken özellikle nöral karmaşıklık ve işlevsel topaklandırma üzerinde yoğunlaşılmış ve bu tip ölçütlerin beynin örgütleşmine ilişkin klasik istatistiksel çıkarsama yöntemleriyle fark edilmesi güç yönleri yakalayabildiği gösterilmiştir.

Further standardization in signal processing tools is needed in the area of functional near infrared spectroscopy (fNIRS) before it is recognized as a reliable neuroimaging modality. This thesis study attempts to present a comprehensive analysis of the feasibility of applying statistical inference methods to fNIRS signals. Using hierarchical linear models, both classical and Bayesian techniques are pursued and performances of different methods are presented on a comparative basis. The results obtained from a set of cognitive signals show that fNIRS can identify cognitive activity both at the subject and group levels. The analysis suggests that mixed or Bayesian hierarchical models are especially convenient for fNIRS signals. A related problem that is discussed in this thesis study is to relate the outcome of the statistical analysis with the underlying physiology. This problem is studied by putting constraints over the parameters to be estimated. Carrying the problem to a Bayesian framework, the constraints were turned into prior distributions and Gibbs sampling was used to infer from the posterior distributions. The results exhibit that in addition to preventing unlikely results to appear at the end of the analysis, using parameter constraints is also more efficient in revealing activations which are obscured by heavy noise. The last part of this thesis study departs from hypothesis-based statistical inference techniques and introduces the use of information-theoretic measures for fNIRS by particularly concentrating on neural complexity and functional clustering. It is demonstrated that this type of measures may capture organizational aspects of the brain which are hard to reveal with classical statistical inference techniques.