ERKENNTNISGEWINN VON MEDIZINISCHEM UND VERHALTENSBEZOGENEM WISSEN MIT HILFE DER MULTIKRITERIELLEN ANALYSE
ZEITLICHES LERNEN MIT EXPERIMENTELLEN DATEN
VERHALTENSDATEN
Objektives Ranking und Clustering von Verhaltensdaten, die verschiedene Metriken verwenden, ist eine wesentliche Grundlage für das Verständnis der Beziehung zwischen Verhalten und Physiologie sowie neurologischen Prozessen in der Medizin und den Neurowissenschaften. Die inhärente Komplexität der untersuchten biologischen Systeme und die geringe Datenmenge, die in der Regel bei experimentellen Studien entsteht, stellen jedoch eine Herausforderung für die bestehenden statistischen Methoden dar. In diesem Projekt wollen wir uns die ordinale Natur von Verhaltensmetriken zunutze machen und einen auf der multikriteriellen Analyse basierenden Rahmen vorschlagen, der von Techniken der multikriteriellen Optimierung inspiriert ist, um die Optimalitätsebenen und die relativen Kompromisse bei den von den Versuchspersonen gezeigten Verhaltensleistungen besser darstellen zu können. Wir werden dies mit für den Menschen verständlichen Methoden der Datenwissenschaft kombinieren, die eine explorative Analyse, Vorhersagen für zeitlich begrenzte experimentelle Daten und Hilfsmittel für die Überprüfung der Ergebnisse umfassen. Die vorgeschlagene Methodik wird anhand von an Mäusen erhobenen Daten über Lernverhaltensleistungen validiert. Langfristiges Ziel dieses Projekts ist es, einen objektiven, zuverlässigen und robusten Rahmen für die Modellierung und Analyse multidimensionaler Verhaltensdaten zu schaffen und damit den Erkenntnisgewinn in den Lebenswissenschaften zu erleichtern.
Was wir erreichen wollen
Unsere Projektziele
Konstruktuion dominanter Verhaltensmetriken aus Zeitreihendaten
Wir schlagen eine Reihe potenzieller Verhaltensmetriken vor und berechnen sie für alle Testpersonen der aufgezeichneten Zeitreihendaten. Die dominanten Metriken werden über eine Hauptkomponentenanalyse in dem von den berechneten Metriken aufgespannten Raum konstruiert, wobei die Ordinalität der Metriken erhalten bleibt.
Entwicklung eines Clustering-Framework, das auf einer nicht dominanten Sortierung verfügbarer Metriken basiert
Das Lernverhalten der Mäuse wird mithilfe der nicht-dominanten Sortierung geordnet und nach den relativen Optimalitäten oder Kompromissen ihres Lernverhaltens geclustert. Die Gruppierung erfolgt sowohl auf der Grundlage ihrer durchschnittlichen Leistungen in den Experimenten als auch auf der Grundlage ihrer Entwicklung im Verlauf der Experimente.
Bewertung der Gültigkeit der resultierenden nicht dominanten Fronten anhand der gesammelten Verhaltensdaten
Die Gültigkeit der sich ergebenden nicht-dominanten Fronten als Grundlage für die Clusterbildung wird anhand von zwei vorgeschlagenen Indikatoren bewertet, die leicht zu berechnen sind und nicht von der linearen Skalierung der einzelnen Metriken beeinflusst werden.
Wissen über wichtige Motive des Themas vermitteln
Wir planen das Potenzial alternativer Darstellungen von Verhaltensdaten für Vorhersagen und Clustering zu untersuchen.
Erstellung eines Softwaretool zur einfachen Übertragung der vorgeschlagenen Methodik auf andere Datensätze
Wir planen, die vorgeschlagene Methodik in ein zugängliches Softwaretool zu verpacken, das von anderen Forschern, die es auf ihre Daten anwenden wollen, leicht übernommen werden kann.
Projektteam
Noor Jamaludeen
Felix Kuhn
Prof. Dr. Sanaz Mostaghim
Prof. Dr. Stefan Remy
Qihao Shan
Prof. Dr. Myra Spiliopoulou
Publikationen
Medical and Behavioral Knowledge Discovery using Multi-Objective Analysis
IEEE CIBCB 2023: Conference on Computational Intelligence in Bioinformatics and Computational BiologyInferring Salient Motifs during Learning Experiments
2023 IEEE 36th International Symposium on Computer-Based Medical Systems (CBMS)Unterstützen Sie unsere Forschung
Werden Sie Proband:in!
Wie funktioniert eigentlich das Zusammenspiel zwischen unserem Gehirn, unserem Körper und unserer Umwelt? Welche Einflüsse haben körperliche Erkrankungen auf unsere geistige Leistungsfähigkeit? Und warum sind wir an manchen Tagen leistungsfähiger als an anderen?
Diesen Fragen möchten wir mit Ihnen gemeinsam auf den Grund gehen. Registrieren Sie sich jetzt und nehmen Sie an spannenden Studien teil.
