Publikationen

Magnetoenzephalographie (MEG) eignet sich mit seiner hohen zeitlichen Auflösung als Messverfahren für neuronale Aktivität. Die Kombination eines MEG-Systems mit einer Software zur Echtzeit-Datenanalyse würde daher vielfältige neue Möglichkeiten eröffnen. Beispielsweise könnten Stimulationen bereits während des Experimentes hinsichtlich ihrer zeitlichen Abstimmung und anderer Parameter an die kontinuierlich analysierte Gehirnaktivität angepasst werden. Darüber hinaus könnte der Arbeitsablauf der Datenanalyse, insbesondere bei klinischen Studien, effektiver gestaltet werden. Zur Realisierung einer solchen Echtzeit-Datenanalyse stellen sich zwei Herausforderungen: der geringe Signal-Rausch-Abstand (SNR) und das für die notwendigen Berechnungen kurze Zeitfenster. Diese Arbeit präsentiert neue Lösungsansätze um diese Herausforderungen zu meistern. Ein geringer SNR reduziert die Zahl der Quellen, die zuverlässig unterschieden werden können. In dieser Arbeit wird ein Lösungsansatz präsentiert, welcher den Quellraum basierend auf einem kortikalen Gehirnatlas reduziert und es damit erlaubt Quellen auch unter höherem Rauschen zu unterscheiden. Jede kortikale Region wird durch einen kleinen Satz von Dipolen repräsentiert, welcher mit Hilfe eines Clusteralgorithmus bestimmt wurde. Die vorgestellte Technik führt verglichen mit Standardverfahren, welche in der Regel gleichverteilte Quellverteilungen zu Grunde legen, zu einer fokaleren Lokalisierung von Aktivierungen und verringerten Scheinaktivierungen. Basierend auf dem Clusteransatz wurden zwei inverse Verfahren, ein verteiltes und ein sparses, für die Echtzeitanwendung adaptiert. Dynamic Statistical Parametric Mapping (dSPM) wurde zum Zweck der verteilten Quellenschätzung angepasst. Die Verfahrensmethode der Real-Time Clustered Multiple Signal Classification (RTC-MUSIC) wurde entwickelt um zusätzlich zu sparsen Lokalisierungsergebnissen durch Korrelationsinformationen Rückschlüsse auf Konnektivitätsmetriken zwischen kortikalen Regionen zu erhalten. Bei den neuen Verfahren wurde bei der Entwicklung ein großer Schwerpunkt auf die Berechnungseffektivität gelegt, um die Echtzeit-Beschränkungen einzuhalten. Gemeinsam mit dem open-source Framework MNE-CPP, das ebenfalls im Rahmen dieser Arbeit angelegt und entwickelt wurde, bereiten die in dieser Arbeit vorgestellten Algorithmen den Weg zum nicht-invasiven Gehirn-Monitoring.

To detect false information or rumors spread on Twitter on and after the Great East Japan Earthquake, a tweet credibility assessing method was proposed, based on the topic and opinion classification. The credibility is assessed by calculating the ratio of the same opinions to all opinions about a topic identified by topic models generated using Latent Dirichlet Allocation. To identify an opinion (positive or negative) about a tweet, sentiment analysis is performed using a semantic orientation dictionary. However, it is a kind of imbalanced data analysis to identify usually very few false tweets and the accuracy is a problem. The accuracy of the originally proposed method was susceptible since the sentiment opinion of most tweets was identified negative by the baseline (namely Takamura's) semantic orientation dictionary. To cope with this problem, a method for extracting sentiment orientations of words and phrases is also proposed to improve the evaluation for analyzing the credibility of tweet information. This method 1) evolutionally learns from a large amount of social data on Twitter, 2) focuses on adjective predicates, and 3) considers co-occurrences with negation expressions or multiple adjectives, between subjects and predicates, etc. The effects are proven by experiments using a large number of real tweets, in which we could detect rumor tweet much more accurately. In opposition to the baseline semantic dictionary, our method leads to succeed in imbalanced data analysis.