Tese

Modeling high-dimensional time series from large scale brain networks (2020)

• Authors:
  • Nascimento, Diego Carvalho do
  • Anacleto Junior, Osvaldo (Orientador)
  • Louzada, Francisco (Orientador)
• Autor USP: NASCIMENTO, DIEGO CARVALHO DO - Interinstitucional de Pós-Graduação em Estatística
• Unidade: Interinstitucional de Pós-Graduação em Estatística
• Sigla do Departamento: SME
• DOI: 10.11606/T.104.2020.tde-23072020-155937
• Subjects: ANÁLISE DE SÉRIES TEMPORAIS; ACIDENTE VASCULAR CEREBRAL; TEORIA DOS GRAFOS; INFERÊNCIA BAYESIANA; MODELOS DE RISCOS PROPORCIONAIS; ANÁLISE DE SOBREVIVÊNCIA
• Keywords: Dados de alta-dimensionalidade; Dynamic Models; Graphical models; High-dimensional data analysis; Modelos de grafos; Modelos dinâmicos; Multivariate Time Series
• Agências de fomento:
  • Financiado pela CAPES
  • Financiado pela FAPESP
• Language: Inglês
• Abstract: Neste projeto focamos na necessidade de compreender sobre a conectividade cerebral, através da direção/correlação entre as áreas cerebrais, por meio de biossinais, embora essa tarefa apresente dificuldades como dependência espaço-temporal e algumas restrições computacionais. Naturalmente, o uso de large vector autoregression (VAR) seria apropriado se não apresentassem problema de alta dimensionalidade, onde o espaço paramétrico é largamente representativo. Além disso, o encolhimento nos espaços de dados/parâmetros não é uma tarefa trivial, essencialmente demandando mantendo interpretabilidade nos resultados. Portanto, algumas modificações foram discutidas, em relação ao modelo via gráfos e análise de entropia, adotando uma abordagem Bayesiana, motivada por estimatar a conectividade do cérebro humano usando sinais de eletroencefalograma (EEG). Assim, a motivação que este utilizou foi proveniente de um estudo de caso de neuro-reabilitação, no que se refere à manipulação da verticalidade humana, nele utilizamos a estimulação transcraniana de corrente direta de alta definição (HD-tDCS) como modulação não invasiva visando a recuperação de pacientes pós-AVC.
• Imprenta:
  • Publisher place: São Carlos
  • Date published: 2020
• Data da defesa: 27.03.2020


Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).

Status:

Artigo publicado em periódico de acesso aberto (Gold Open Access)

Versão do Documento:

Versão publicada (Published version)

Acessar versão aberta:

• PDF de acesso aberto

Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.

---

How to cite

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

• ABNT

  NASCIMENTO, Diego Carvalho do. Modeling high-dimensional time series from large scale brain networks. 2020. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2020. Disponível em: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-23072020-155937/. Acesso em: 02 abr. 2026.

• APA

  Nascimento, D. C. do. (2020). Modeling high-dimensional time series from large scale brain networks (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/104/104131/tde-23072020-155937/

• NLM

  Nascimento DC do. Modeling high-dimensional time series from large scale brain networks [Internet]. 2020 ;[citado 2026 abr. 02 ] Available from: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-23072020-155937/

• Vancouver

  Nascimento DC do. Modeling high-dimensional time series from large scale brain networks [Internet]. 2020 ;[citado 2026 abr. 02 ] Available from: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-23072020-155937/

Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

• Birnbaum-Saunders autoregressive conditional range model applied to stock index data
• Copula bivariate model: predictive analytics on estimation tinnitus psychoacoustic parameters
• Dynamic graphical models in neuroscience: a new proposed hierarchical model
• Multivariate time series high-dimensional shrinkage with dynamic graphical modeling
• Dynamic conditional correlation GARCH: a multivariate time series novel using a bayesian approach
• Dynamic time series smoothing for symbolic interval data applied to neuroscience
• Medical care in emergency units with risk classification: time to attendance at a hospital based on parametric models
• Modeling traumatic brain injury lifetime data: improved estimators for the generalized gamma distribution under small samples
• BrainWave nets: are sparse dynamic models susceptible to brain manipulation experimentation?
• Medical care in emergency units with risk classification: time to attendance at a hospital based on parametric models