Welcome to the UPF Digital Repository

Automatic reconstruction of complex dynamical networks

Show simple item record

dc.contributor.author Grau Leguia, Marc
dc.contributor.other Andrzejak, Ralph Gregor
dc.contributor.other Levnajić, Zoran, supervisor acadèmic
dc.contributor.other Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions
dc.date.accessioned 2024-03-16T02:34:32Z
dc.date.available 2024-03-16T02:34:32Z
dc.date.issued 2019-04-10T12:01:09Z
dc.date.issued 2019-04-10T12:01:09Z
dc.date.issued 2019-03-15
dc.identifier http://hdl.handle.net/10803/666631
dc.identifier.uri http://hdl.handle.net/10230/37171
dc.description.abstract Un problema principal de la ciència de xarxes és com reconstruir (inferir) la topologia d’una xarxa real a partir de senyals mesurades de les seves unitats internes. Entendre la arquitectura d’una xarxa complexa és clau, no només per comprendre el seu funcionament, sinó també per predir i controlar el seu comportament. Els mètodes actualment disponibles es centren principalment en la detecció d’enllaços de xarxes no direccio- nals i sovint requereixen suposicions fortes sobre el sistema. Tanmateix, molts d’aquests mètodes no es poden aplicar a xarxes amb connexions direccionals. Per abordar aquest problema, en aquesta tesis ens centrarem en la inferència de xarxes direccionals. Concretament, desenvolupem un mètode de reconstrucció de xarxes basat en models que combina estadístiques de correlacions de derivades amb recuit simulat. A més, desenvolupem un mètode de reconstrucció basat en dades cimentat en una mesura d’interpedendència no lineal. Aquest mètode permet inferir la topologia de xarxes direccionals d’oscil.ladors caòtics de Lorenz per un subordre de la força d’acoblament i la densitat de la xarxa. Finalment, apliquem el mètode basat en dades a gravacions electroencefalogràfiques d’un pacient amb epilèpsia. Les xarxes cerebrals funcionals obtingu- des a partir d’aquest mètode són coherents amb la informació mèdica disponible.
dc.description.abstract Un problema principal de la ciencia de redes es cómo reconstruir (inferir) la topología de una red real usando la señales medidas de sus unidades internas. Entender la arquitectura de redes complejas es clave, no solo para entender su funcionamiento pero también para predecir y controlar su comportamiento. Los métodos existentes se focalizan en la detección de redes no direccionales y normalmente requieren fuertes suposicio- nes sobre el sistema. Sin embargo, muchos de estos métodos no pueden ser aplicados en redes con conexiones direccionales. Para abordar este problema, en esta tesis estudiamos la reconstrucción de redes direccio- nales. En concreto, desarrollamos un método de reconstrucción basado en modelos que combina estadísticas de correlaciones de derivadas con recocido simulado. Además, desarrollamos un método basado en datos cimentado en una medida d’interdependencia no lineal. Este método permite inferir la topología de redes direccionales de osciladores caóticos de Lorenz para un subrango de la fuerza de acoplamiento y densidad de la red. Finalmente, aplicamos el método basado en datos a grabaciones electroencefalográficas de un paciente con epilepsia. Las redes cerebra- les funcionales obtenidas usando este método son consistentes con la información médica disponible.
dc.description.abstract A foremost problem in network science is how to reconstruct (infer) the topology of a real network from signals measured from its internal units. Grasping the architecture of complex networks is key, not only to understand their functioning, but also to predict and control their behaviour. Currently available methods largely focus on the detection of links of undirected networks and often require strong assumptions about the system. However, many of these methods cannot be applied to networks with directional connections. To address this problem, in this doctoral work we focus at the inference of directed networks. Specifically, we develop a model-based network reconstruction method that combines statistics of derivative-variable correlations with simulated annealing. We furthermore develop a data-driven reconstruction method based on a nonlinear interdependence measure. This method allows one to infer the topology of directed networks of chaotic Lorenz oscillators for a subrange of the coupling strength and link density. Finally, we apply the data-driven method to multichannel electroencephalographic recordings from an epilepsy patient. The functional brain networks obtained from this approach are consistent with the available medical information.
dc.description.abstract Programa de doctorat en Tecnologies de la Informació i les Comunicacions
dc.format 81 p.
dc.format application/pdf
dc.format application/pdf
dc.language.iso eng
dc.publisher Universitat Pompeu Fabra
dc.rights L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights info:eu-repo/semantics/openAccess
dc.source TDX (Tesis Doctorals en Xarxa)
dc.title Automatic reconstruction of complex dynamical networks
dc.type info:eu-repo/semantics/doctoralThesis
dc.type info:eu-repo/semantics/publishedVersion
dc.date.modified 2024-03-15T10:58:01Z
dc.subject.keyword Xarxes complexes
dc.subject.keyword Reconstruccó de xarxes
dc.subject.keyword Recuit simulat
dc.subject.keyword Mesura d’interpedendència no lineal
dc.subject.keyword Dinàmiques de Lorenz
dc.subject.keyword Gravacions electroencefalogràfiques (EEG)
dc.subject.keyword Connectivitat funcional
dc.subject.keyword Redes compejas
dc.subject.keyword Reconstruccón de redes
dc.subject.keyword Recocido simulado
dc.subject.keyword Medida de interdependencia no lineal
dc.subject.keyword Dinámicas de Lorenz
dc.subject.keyword Grabaciones electroencefalográficas (EEG)
dc.subject.keyword Connectividad funcional
dc.subject.keyword Complex networks
dc.subject.keyword Network reconstruction
dc.subject.keyword Simulated annealing
dc.subject.keyword Nonlinear interdependence measure
dc.subject.keyword Lorenz dynamics
dc.subject.keyword Electroencephalographic recordings (EEG)
dc.subject.keyword Functional connectivity
dc.subject.keyword 62


Files in this item

Files Size Format View

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Advanced Search

Browse

My Account

Statistics

In collaboration with Compliant to Partaking