Comparing two main community detection algorithms and their applications on human brains
Porovnání dvou hlavních algoritmů na detekci komunit a jejich použití na lidském mozku
bakalářská práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/174603Identifikátory
SIS: 246514
Kolekce
- Kvalifikační práce [11216]
Autor
Vedoucí práce
Konzultant práce
Hlinka, Jaroslav
Hartman, David
Oponent práce
Korvasová, Karolína
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Obecná informatika
Katedra / ústav / klinika
Informatický ústav Univerzity Karlovy
Datum obhajoby
23. 6. 2022
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Angličtina
Známka
Výborně
Klíčová slova (česky)
komunita|komplexní síť|detekce komunit|algoritmus|lidský mozekKlíčová slova (anglicky)
community|complex network|community detection|algorithm|human brainKomplexní sítě nám pomáhají porozumět komplikovaným jevům, mimo jiné lidskému mozku. Jednou z jejich klíčových vlastností je komunitní struktura. Tato práce porovnává dva hlavní algoritmy na detekci komunit, Louvainský a přeznačkovací. Nejprve ukážeme některé systematické rozdíly v jejich výsledcích. Poté diskutujeme vlastnosti, které mají oba algoritmy společné. Praktická část této práce je věnována detekci komunit ve funkčních sítích lidského mozku. Je známo, že struktura komunit funkční sítě lidského mozku se mění během stárnutí či v důsledku některých onemocnění. My porovnáváme modularitu a počet komunit ve funkčních sítích pacientů s roztoušenou sklerózkou před a po neurorehabilitační terapii. Vezmeme-li v úvahu celý dataset, nenašli jsme žádnou významnou změnu. Modularita se však změnila ve funkčních sítích všech šesti pacientů s primárně progresivní roztroušenou sklerózou. Také ukazujeme, že mohou existovat drobné změny modularity v korelaci s protokolem fMRI nebo pohlavím pacientů. 1
Complex networks help us to understand complicated phenomena, including human brain. One of its key characteristics is its modular organization, also know as community structure. This thesis compares two main community detection algorithms, the Louvain algorithm and the label propagation algorithm. We show some differences in the rsults of the algorithms. On the other hand, we also discuss their common properties. The practical part of this thesis is devoted to community detection in human brain functional networks. It is known that the community structure of a human brain functional network changes during aging or due to some diseases. We compared the modularity and number of communities in functional networks of patients with the diagnosis of multiple sclerosis before and after a neurorehabilitation therapy. We did not find any significant change considering the whole dataset. However, the modularity changed in the functional net- works of the six patients with a primary progressive course of multiple sclerosis. We show that there might be other minor changes in correlation with fMRI protocol or patients' gender. 1