Struktury synchronizace v mnohorozměrných neurálních signálech: strojové učení a predikce účinnosti antidepresiv
Cíle projektu
Koncept synchronizace nelineárních dynamických systémů bude základem pro vývoj matematických metod a počítačových algoritmů určených k detekci a charakterizaci interakcí a závislostí v mnohorozměrných nelineárních časových řadách. Směrové vazby a kauzální vztahy budou kvantifikovány nástroji teorie informace. Vyvíjené metody budou přizpůsobeny specifickým vlastnostem skalpového elektroencefalogramu (EEG), zvláštní pozornost bude věnována mezifrekvenčním interakcím. Celková struktura synchronizace EEG signálů odrážející funkční integraci, jak v rámci různých časových a prostorových škál, tak i mezi škálami, bude klasifikována metodami strojového učení a použita k popisu stavů mozku a jejich změn způsobených duševními poruchami. Synchronizace a její změny v EEG depresivních pacientů budou testovány jako prediktory terapeutické úspěšnosti antidepresiv. Vyvinuté metody budou využitelné nejen v analýze elektrofyziologických signálů v neurologii a psychiatrii, ale obecně v analýze složitých vícerozměrných signálů odrážejících nelineární interakce v různých časových a prostorových škálách.
Klíčová slova
synchronizationelectroencephalogramtime-series clusteringGranger causalitycomplex networksconvolutional neural networksmachine learningprediction of response to antidepressants
Veřejná podpora
Poskytovatel
Grantová agentura České republiky
Program
Mezinárodní grantové projekty hodnocené na principu LEAD Agency
Veřejná soutěž
—
Hlavní účastníci
Ústav informatiky AV ČR, v. v. i.
Druh soutěže
M2 - Mezinárodní spolupráce
Číslo smlouvy
21-14727K
Alternativní jazyk
Název projektu anglicky
Learning Synchronization Patterns in Multivariate Neural Signals for Prediction of Response to Antidepressants
Anotace anglicky
The concept of synchronization of nonlinear dynamical systems will serve as basis for development of mathematical methods and computer algorithms for detection and characterization of interactions and dependence in multivariate nonlinear time series. Directional links and causal relations will be quantified using the tools of information theory. The developed methods will be tailored to specific properties of scalp electroencephalogram (EEG). Overall structure of EEG synchronization, reflecting the functional integration within and across different spatial and temporal scales, will be classified in machine learning algorithms as a candidate method for description of brain states and their changes due to mental disorders. In particular, synchronization and its changes in EEG of depressive patients will be tested as predictors of antidepressant therapeutic efficacy. The developed methods will be applicable not only in analysis of electrophysiological signals in neurology and psychiatry, but generally in analysis of complex multivariate and multiscale signals.
Vědní obory
Kategorie VaV
ZV - Základní výzkum
OECD FORD - hlavní obor
30103 - Neurosciences (including psychophysiology)
OECD FORD - vedlejší obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
OECD FORD - další vedlejší obor
—
CEP - odpovídající obory
(dle převodníku)AF - Dokumentace, knihovnictví, práce s informacemi
BC - Teorie a systémy řízení
BD - Teorie informace
FH - Neurologie, neurochirurgie, neurovědy
IN - Informatika
Termíny řešení
Zahájení řešení
1. 4. 2021
Ukončení řešení
30. 6. 2024
Poslední stav řešení
—
Poslední uvolnění podpory
8. 3. 2024
Dodání dat do CEP
Důvěrnost údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Systémové označení dodávky dat
CEP25-GA0-GF-R
Datum dodání záznamu
12. 3. 2025
Finance
Celkové uznané náklady
9 666 tis. Kč
Výše podpory ze státního rozpočtu
9 022 tis. Kč
Ostatní veřejné zdroje financování
644 tis. Kč
Neveřejné tuz. a zahr. zdroje finan.
0 tis. Kč
Uznané náklady
9 666 tis. Kč
Statní podpora
9 022 tis. Kč
0%
Poskytovatel
Grantová agentura České republiky
OECD FORD
Neurosciences (including psychophysiology)
Doba řešení
01. 04. 2021 - 30. 06. 2024