Mukautuvan koeasetelman soveltaminen kategorisen havaitsemisen tutkimiseen neuropsykologiassa

Tässä tutkielmassa tutkitaan kognitiiviseen neuropsykologiaan kuuluvaa ilmiötä, nimeltään äänteiden kategorinen havaitseminen, käyttämällä mukautuvaa koeasetelmaa. Tarkoituksena on ollut kehittää ohjelma, jonka avulla pystyttäisiin mahdollisimman nopeasti ja tehokkaasti (optimaalisesti) määrittämään...

Full description

Bibliographic Details
Main Author: Lehtomäki, Minna
Other Authors: Matemaattis-luonnontieteellinen tiedekunta, Faculty of Sciences, Matematiikan ja tilastotieteen laitos, Department of Mathematics and Statistics, University of Jyväskylä, Jyväskylän yliopisto
Format: Master's thesis
Language:fin
Published: 2014
Subjects:
Online Access: https://jyx.jyu.fi/handle/123456789/44390
_version_ 1828193120149307392
author Lehtomäki, Minna
author2 Matemaattis-luonnontieteellinen tiedekunta Faculty of Sciences Matematiikan ja tilastotieteen laitos Department of Mathematics and Statistics University of Jyväskylä Jyväskylän yliopisto
author_facet Lehtomäki, Minna Matemaattis-luonnontieteellinen tiedekunta Faculty of Sciences Matematiikan ja tilastotieteen laitos Department of Mathematics and Statistics University of Jyväskylä Jyväskylän yliopisto Lehtomäki, Minna Matemaattis-luonnontieteellinen tiedekunta Faculty of Sciences Matematiikan ja tilastotieteen laitos Department of Mathematics and Statistics University of Jyväskylä Jyväskylän yliopisto
author_sort Lehtomäki, Minna
datasource_str_mv jyx
description Tässä tutkielmassa tutkitaan kognitiiviseen neuropsykologiaan kuuluvaa ilmiötä, nimeltään äänteiden kategorinen havaitseminen, käyttämällä mukautuvaa koeasetelmaa. Tarkoituksena on ollut kehittää ohjelma, jonka avulla pystyttäisiin mahdollisimman nopeasti ja tehokkaasti (optimaalisesti) määrittämään jokaiselle koehenkilölle yksilöllinen malli, jota havainnot noudattavat. Äänteiden kategorinen havaitseminen tarkoittaa, että ihminen pyrkii luokittelemaan äänteet kategorioihin niiden akustisten ominaisuuksien perusteella ilman, että hän erottaisi kahden eri äänteen välimuotoja. Esimerkiksi kuullessaan äänteen, joka on puoliksi /ba/ ja puoliksi /pa/, ihminen ei erota kuultua äännettä välimuodoksi vaan tulkitsee sen joko äänteeksi /ba/ tai /pa/. Tässä tutkielmassa tarkoituksena on mallintaa, miten koehenkilöt kuulevat äänteet /ba/ ja /pa/ sekä näiden välimuodot ja mitata aivosähkökäyrässä (EEG) tapahtuvia muutoksia koe- ja kontrollitilanteessa. Koetilanne suoritetaan toistamalla koehenkilöille useita kertoja 9 erilaista ääntä ja mittaamalla, kumpi äänne oli koehenkilön mielestä kyseessä. Vasteen (koehenkilön vastausten) oletetaan noudattavan logistista regressiomallia. Kontrollitilanteessa puolestaan koehenkilö pelkästään passiivisesti kuuntelee ääniä. Koetta varten on tehty MATLAB-ohjelma, joka pyrkii valitsemaan kolme niin sanottua ”kiinnostavaa ääntä”, joiden kohdalla koehenkilö on epävarmin, kummasta äänteestä on kyse. Näiden kiinnostavien äänten määrää painotetaan toistamalla yksittäistä kiinnostavaa ääntä kaksinkertainen määrä verrattuna yksittäiseen ”ei-kiinnostavaan ääneen”, jolloin kolmea kiinnostavaa ääntä toistetaan yhteensä saman verran kuin kuutta ei-kiinnostavaa ääntä. Apuna kiinnostavien äänten valitsemisessa on binäärinen etsintäalgoritmi, joka pyrkii puolitushaulla löytämään kaksi kiinnostavaa ääntä. Kun kaksi ääntä on löydetty, algoritmi jatkaa mallin estimoimista suurimman uskottavuuden menetelmällä kaikesta kerätystä aineistosta. Tätä tutkielmaa varten on suoritettu mittauksia koehenkilöillä, joiden perusteella ohjelman toimintaa ja kehittämiskohtia on analysoitu. Samalla on kerätty EEG-dataa psykologian laitoksen analysoitavaksi. Suoritettujen mittausten perusteella ohjelma näyttäisi toimivan melko hyvin ja on hyvä pohja koetilanteen kehittämiseksi vielä optimaalisemmaksi.
first_indexed 2023-03-22T09:59:01Z
format Pro gradu
free_online_boolean 1
fullrecord [{"key": "dc.contributor.author", "value": "Lehtom\u00e4ki, Minna", "language": null, "element": "contributor", "qualifier": "author", "schema": "dc"}, {"key": "dc.date.accessioned", "value": "2014-10-08T18:28:25Z", "language": null, "element": "date", "qualifier": "accessioned", "schema": "dc"}, {"key": "dc.date.available", "value": "2014-10-08T18:28:25Z", "language": null, "element": "date", "qualifier": "available", "schema": "dc"}, {"key": "dc.date.issued", "value": "2014", "language": null, "element": "date", "qualifier": "issued", "schema": "dc"}, {"key": "dc.identifier.other", "value": "oai:jykdok.linneanet.fi:1446867", "language": null, "element": "identifier", "qualifier": "other", "schema": "dc"}, {"key": "dc.identifier.uri", "value": "https://jyx.jyu.fi/handle/123456789/44390", "language": null, "element": "identifier", "qualifier": "uri", "schema": "dc"}, {"key": "dc.description.abstract", "value": "T\u00e4ss\u00e4 tutkielmassa tutkitaan kognitiiviseen neuropsykologiaan kuuluvaa ilmi\u00f6t\u00e4, nimelt\u00e4\u00e4n \u00e4\u00e4nteiden kategorinen havaitseminen, k\u00e4ytt\u00e4m\u00e4ll\u00e4 mukautuvaa koeasetelmaa. Tarkoituksena on ollut kehitt\u00e4\u00e4 ohjelma, jonka avulla pystytt\u00e4isiin mahdollisimman nopeasti ja tehokkaasti (optimaalisesti) m\u00e4\u00e4ritt\u00e4m\u00e4\u00e4n jokaiselle koehenkil\u00f6lle yksil\u00f6llinen malli, jota havainnot noudattavat.\n\n\u00c4\u00e4nteiden kategorinen havaitseminen tarkoittaa, ett\u00e4 ihminen pyrkii luokittelemaan \u00e4\u00e4nteet kategorioihin niiden akustisten ominaisuuksien perusteella ilman, ett\u00e4 h\u00e4n erottaisi kahden eri \u00e4\u00e4nteen v\u00e4limuotoja. Esimerkiksi kuullessaan \u00e4\u00e4nteen, joka on puoliksi /ba/ ja puoliksi /pa/, ihminen ei erota kuultua \u00e4\u00e4nnett\u00e4 v\u00e4limuodoksi vaan tulkitsee sen joko \u00e4\u00e4nteeksi /ba/ tai /pa/.\n\nT\u00e4ss\u00e4 tutkielmassa tarkoituksena on mallintaa, miten koehenkil\u00f6t kuulevat \u00e4\u00e4nteet /ba/ ja /pa/ sek\u00e4 n\u00e4iden v\u00e4limuodot ja mitata aivos\u00e4hk\u00f6k\u00e4yr\u00e4ss\u00e4 (EEG) tapahtuvia muutoksia koe- ja kontrollitilanteessa. Koetilanne suoritetaan toistamalla koehenkil\u00f6ille useita kertoja 9 erilaista \u00e4\u00e4nt\u00e4 ja mittaamalla, kumpi \u00e4\u00e4nne oli koehenkil\u00f6n mielest\u00e4 kyseess\u00e4. Vasteen (koehenkil\u00f6n vastausten) oletetaan noudattavan logistista regressiomallia. Kontrollitilanteessa puolestaan koehenkil\u00f6 pelk\u00e4st\u00e4\u00e4n passiivisesti kuuntelee \u00e4\u00e4ni\u00e4.\nKoetta varten on tehty MATLAB-ohjelma, joka pyrkii valitsemaan kolme niin sanottua \u201dkiinnostavaa \u00e4\u00e4nt\u00e4\u201d, joiden kohdalla koehenkil\u00f6 on ep\u00e4varmin, kummasta \u00e4\u00e4nteest\u00e4 on kyse. N\u00e4iden kiinnostavien \u00e4\u00e4nten m\u00e4\u00e4r\u00e4\u00e4 painotetaan toistamalla yksitt\u00e4ist\u00e4 kiinnostavaa \u00e4\u00e4nt\u00e4 kaksinkertainen m\u00e4\u00e4r\u00e4 verrattuna yksitt\u00e4iseen \u201dei-kiinnostavaan \u00e4\u00e4neen\u201d, jolloin kolmea kiinnostavaa \u00e4\u00e4nt\u00e4 toistetaan yhteens\u00e4 saman verran kuin kuutta ei-kiinnostavaa \u00e4\u00e4nt\u00e4. Apuna kiinnostavien \u00e4\u00e4nten valitsemisessa on bin\u00e4\u00e4rinen etsint\u00e4algoritmi, joka pyrkii puolitushaulla l\u00f6yt\u00e4m\u00e4\u00e4n kaksi kiinnostavaa \u00e4\u00e4nt\u00e4. Kun kaksi \u00e4\u00e4nt\u00e4 on l\u00f6ydetty, algoritmi jatkaa mallin estimoimista suurimman uskottavuuden menetelm\u00e4ll\u00e4 kaikesta ker\u00e4tyst\u00e4 aineistosta.\n\nT\u00e4t\u00e4 tutkielmaa varten on suoritettu mittauksia koehenkil\u00f6ill\u00e4, joiden perusteella ohjelman toimintaa ja kehitt\u00e4miskohtia on analysoitu. Samalla on ker\u00e4tty EEG-dataa psykologian laitoksen analysoitavaksi. Suoritettujen mittausten perusteella ohjelma n\u00e4ytt\u00e4isi toimivan melko hyvin ja on hyv\u00e4 pohja koetilanteen kehitt\u00e4miseksi viel\u00e4 optimaalisemmaksi.", "language": "fi", "element": "description", "qualifier": "abstract", "schema": "dc"}, {"key": "dc.description.provenance", "value": "Submitted using Plone Publishing form by Minna Lehtom\u00e4ki (mijosiro) on 2014-10-08 18:28:24.415682. Form: Pro gradu -lomake (https://kirjasto.jyu.fi/julkaisut/julkaisulomakkeet/pro-gradu-lomake). JyX data: [jyx_publishing-allowed (fi) =True]", "language": "en", "element": "description", "qualifier": "provenance", "schema": "dc"}, {"key": "dc.description.provenance", "value": "Submitted by jyx lomake-julkaisija (jyx-julkaisija@noreply.fi) on 2014-10-08T18:28:25Z\nNo. of bitstreams: 2\nURN:NBN:fi:jyu-201410082954.pdf: 1611559 bytes, checksum: b5d0e90844f47411db1525189ea6bfe0 (MD5)\nlicense.html: 4855 bytes, checksum: 6209c027d716fa647b880a3c342ea3d8 (MD5)", "language": "en", "element": "description", "qualifier": "provenance", "schema": "dc"}, {"key": "dc.description.provenance", "value": "Made available in DSpace on 2014-10-08T18:28:25Z (GMT). No. of bitstreams: 2\nURN:NBN:fi:jyu-201410082954.pdf: 1611559 bytes, checksum: b5d0e90844f47411db1525189ea6bfe0 (MD5)\nlicense.html: 4855 bytes, checksum: 6209c027d716fa647b880a3c342ea3d8 (MD5)\n Previous issue date: 2014", "language": "en", "element": "description", "qualifier": "provenance", "schema": "dc"}, {"key": "dc.format.extent", "value": "1 verkkoaineisto (90 sivua)", "language": null, "element": "format", "qualifier": "extent", "schema": "dc"}, {"key": "dc.format.mimetype", "value": "application/pdf", "language": null, "element": "format", "qualifier": "mimetype", "schema": "dc"}, {"key": "dc.language.iso", "value": "fin", "language": null, "element": "language", "qualifier": "iso", "schema": "dc"}, {"key": "dc.rights", "value": "In Copyright", "language": "en", "element": "rights", "qualifier": null, "schema": "dc"}, {"key": "dc.subject.other", "value": "bin\u00e4\u00e4rinen etsint\u00e4algoritmi", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "D-optimaalisuus", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "kategorinen havaitseminen", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "koesuunnittelu", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "kognitiivinen neuropsykologia", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "logistinen regressio", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "MATLAB", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "mukautuva koeasetelma", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.title", "value": "Mukautuvan koeasetelman soveltaminen kategorisen havaitsemisen tutkimiseen neuropsykologiassa", "language": null, "element": "title", "qualifier": null, "schema": "dc"}, {"key": "dc.type", "value": "master thesis", "language": null, "element": "type", "qualifier": null, "schema": "dc"}, {"key": "dc.identifier.urn", "value": "URN:NBN:fi:jyu-201410082954", "language": null, "element": "identifier", "qualifier": "urn", "schema": "dc"}, {"key": "dc.type.ontasot", "value": "Pro gradu -tutkielma", "language": "fi", "element": "type", "qualifier": "ontasot", "schema": "dc"}, {"key": "dc.type.ontasot", "value": "Master\u2019s thesis", "language": "en", "element": "type", "qualifier": "ontasot", "schema": "dc"}, {"key": "dc.contributor.faculty", "value": "Matemaattis-luonnontieteellinen tiedekunta", "language": "fi", "element": "contributor", "qualifier": "faculty", "schema": "dc"}, {"key": "dc.contributor.faculty", "value": "Faculty of Sciences", "language": "en", "element": "contributor", "qualifier": "faculty", "schema": "dc"}, {"key": "dc.contributor.department", "value": "Matematiikan ja tilastotieteen laitos", "language": "fi", "element": "contributor", "qualifier": "department", "schema": "dc"}, {"key": "dc.contributor.department", "value": "Department of Mathematics and Statistics", "language": "en", "element": "contributor", "qualifier": "department", "schema": "dc"}, {"key": "dc.contributor.organization", "value": "University of Jyv\u00e4skyl\u00e4", "language": "en", "element": "contributor", "qualifier": "organization", "schema": "dc"}, {"key": "dc.contributor.organization", "value": "Jyv\u00e4skyl\u00e4n yliopisto", "language": "fi", "element": "contributor", "qualifier": "organization", "schema": "dc"}, {"key": "dc.subject.discipline", "value": "Tilastotiede", "language": "fi", "element": "subject", "qualifier": "discipline", "schema": "dc"}, {"key": "dc.subject.discipline", "value": "Statistics", "language": "en", "element": "subject", "qualifier": "discipline", "schema": "dc"}, {"key": "dc.date.updated", "value": "2014-10-08T18:28:25Z", "language": null, "element": "date", "qualifier": "updated", "schema": "dc"}, {"key": "dc.type.coar", "value": "http://purl.org/coar/resource_type/c_bdcc", "language": null, "element": "type", "qualifier": "coar", "schema": "dc"}, {"key": "dc.rights.accesslevel", "value": "openAccess", "language": null, "element": "rights", "qualifier": "accesslevel", "schema": "dc"}, {"key": "dc.type.publication", "value": "masterThesis", "language": null, "element": "type", "qualifier": "publication", "schema": "dc"}, {"key": "dc.subject.oppiainekoodi", "value": "4043", "language": null, "element": "subject", "qualifier": "oppiainekoodi", "schema": "dc"}, {"key": "dc.subject.yso", "value": "algoritmit", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "regressioanalyysi", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "neuropsykologia", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "optimaalisuus", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.format.content", "value": "fulltext", "language": null, "element": "format", "qualifier": "content", "schema": "dc"}, {"key": "dc.rights.url", "value": "https://rightsstatements.org/page/InC/1.0/", "language": null, "element": "rights", "qualifier": "url", "schema": "dc"}, {"key": "dc.type.okm", "value": "G2", "language": null, "element": "type", "qualifier": "okm", "schema": "dc"}]
id jyx.123456789_44390
language fin
last_indexed 2025-03-31T20:01:55Z
main_date 2014-01-01T00:00:00Z
main_date_str 2014
online_boolean 1
online_urls_str_mv {"url":"https:\/\/jyx.jyu.fi\/bitstreams\/808eb7c9-f554-49bf-838c-123864f9e5f2\/download","text":"URN:NBN:fi:jyu-201410082954.pdf","source":"jyx","mediaType":"application\/pdf"}
publishDate 2014
record_format qdc
source_str_mv jyx
spellingShingle Lehtomäki, Minna Mukautuvan koeasetelman soveltaminen kategorisen havaitsemisen tutkimiseen neuropsykologiassa binäärinen etsintäalgoritmi D-optimaalisuus kategorinen havaitseminen koesuunnittelu kognitiivinen neuropsykologia logistinen regressio MATLAB mukautuva koeasetelma Tilastotiede Statistics 4043 algoritmit regressioanalyysi neuropsykologia optimaalisuus
title Mukautuvan koeasetelman soveltaminen kategorisen havaitsemisen tutkimiseen neuropsykologiassa
title_full Mukautuvan koeasetelman soveltaminen kategorisen havaitsemisen tutkimiseen neuropsykologiassa
title_fullStr Mukautuvan koeasetelman soveltaminen kategorisen havaitsemisen tutkimiseen neuropsykologiassa Mukautuvan koeasetelman soveltaminen kategorisen havaitsemisen tutkimiseen neuropsykologiassa
title_full_unstemmed Mukautuvan koeasetelman soveltaminen kategorisen havaitsemisen tutkimiseen neuropsykologiassa Mukautuvan koeasetelman soveltaminen kategorisen havaitsemisen tutkimiseen neuropsykologiassa
title_short Mukautuvan koeasetelman soveltaminen kategorisen havaitsemisen tutkimiseen neuropsykologiassa
title_sort mukautuvan koeasetelman soveltaminen kategorisen havaitsemisen tutkimiseen neuropsykologiassa
title_txtP Mukautuvan koeasetelman soveltaminen kategorisen havaitsemisen tutkimiseen neuropsykologiassa
topic binäärinen etsintäalgoritmi D-optimaalisuus kategorinen havaitseminen koesuunnittelu kognitiivinen neuropsykologia logistinen regressio MATLAB mukautuva koeasetelma Tilastotiede Statistics 4043 algoritmit regressioanalyysi neuropsykologia optimaalisuus
topic_facet 4043 D-optimaalisuus MATLAB Statistics Tilastotiede algoritmit binäärinen etsintäalgoritmi kategorinen havaitseminen koesuunnittelu kognitiivinen neuropsykologia logistinen regressio mukautuva koeasetelma neuropsykologia optimaalisuus regressioanalyysi
url https://jyx.jyu.fi/handle/123456789/44390 http://www.urn.fi/URN:NBN:fi:jyu-201410082954
work_keys_str_mv AT lehtomäkiminna mukautuvankoeasetelmansoveltaminenkategorisenhavaitsemisentutkimiseenneuropsykolo