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
bachelor thesis (DEFENDED)
View/ Open
Permanent link
http://hdl.handle.net/20.500.11956/174603Identifiers
Study Information System: 246514
Collections
- Kvalifikační práce [11216]
Author
Advisor
Consultant
Hlinka, Jaroslav
Hartman, David
Referee
Korvasová, Karolína
Faculty / Institute
Faculty of Mathematics and Physics
Discipline
General Computer Science
Department
Computer Science Institute of Charles University
Date of defense
23. 6. 2022
Publisher
Univerzita Karlova, Matematicko-fyzikální fakultaLanguage
English
Grade
Excellent
Keywords (Czech)
komunita|komplexní síť|detekce komunit|algoritmus|lidský mozekKeywords (English)
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