Detailansicht
A python toolbox for neuronal manifold learning
easy access to the NC-MCM framework
Michael Hofer
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Bioinformatik
Betreuer*in
Moritz Grosse-Wentrup
DOI
10.25365/thesis.77808
URN
urn:nbn:at:at-ubw:1-17585.44229.986640-0
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Eine zentrale Herausforderung der modernen Neurowissenschaft besteht in der Interpretation neuronaler Aktivitäten. Das Neuro-Kognitive Multilevel Causal Modeling (NC-MCM) schließt diese Lücke durch die Modellierung kognitiver Prozesse als Markov-Prozesse erster Ordnung. Diese Arbeit stellt ein Python-Paket vor, das die Anwendung des NC-MCM-Frameworks zur Analyse neuronaler und Verhaltensdaten ermöglicht. Es umfasst Visualisierungstools (kognitive Graphen, Zeitreihen), zwei statistische Tests zur Bewertung von Markov-Prozessen, deren Methodik detailliert in der begleitenden Publikation beschrieben wird, sowie die Integration von scikit-learn-Klassifikatoren und Dimensionalitätsreduktion für Manifold-Visualisierungen. Das Paket bietet eine umfassende Dokumentation zur Unterstützung der Nutzer und erleichtert durch die Nutzung bekannter Bibliotheken wie numpy sowie die Bereitstellung auf GitHub und PyPI den Zugang und die Weiterentwicklung. Eine Power-Analyse und Fallstudien veranschaulichen das Potenzial des Pakets, neue Erkenntnisse über die Dynamik des Gehirns zu gewinnen.
Abstract
(Englisch)
A fundamental challenge in neuroscience is interpreting neuronal activity. The Neuro-Cognitive Multilevel Causal Modeling (NC-MCM) framework addresses this by modeling cognition as a first-order Markov process. This thesis introduces a Python-based toolbox to apply the NC-MCM framework for analyzing neuronal and behavioral data. Key features include visualizations (cognitive graphs, time series), two statistical tests for assessing Markov properties, with their methodologies thoroughly described in the accompanying publication, integration of scikit-learn classifiers for behavioral predictions, and dimensionality reduction for manifold visualizations. The package includes comprehensive documentation to guide users and is built with widely used libraries like numpy. Hosted on GitHub and PyPI, it ensures accessibility and fosters collaboration. Case studies demonstrate its potential to advance our understanding of brain dynamics.
Schlagwörter
Schlagwörter
(Deutsch)
Neuronale Dynamik Markov-Prozesse Neuro-Kognitive Modellierung Python-Paket Zeitreihenanalyse
Schlagwörter
(Englisch)
Neural dynamics Markov processes Neuro-cognitive modeling Python package Time series analysis
Autor*innen
Michael Hofer 
Haupttitel (Englisch)
A python toolbox for neuronal manifold learning
Hauptuntertitel (Englisch)
easy access to the NC-MCM framework
Paralleltitel (Deutsch)
Ein Python-Paket für Neuronales Manifold Lernen
Publikationsjahr
2025
Umfangsangabe
81 Seiten, 16 ungezählte Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Moritz Grosse-Wentrup
Klassifikation
30 Naturwissenschaften allgemein > 30.03 Methoden und Techniken in den Naturwissenschaften
AC Nummer
AC17453543
Utheses ID
74584
Studienkennzahl
UA | 066 | 875 | |