TY - THES A1 - Makarava, Natallia T1 - Bayesian estimation of self-similarity exponent T1 - Bayessche Schätzung des selbstählichen Exponenten N2 - Estimation of the self-similarity exponent has attracted growing interest in recent decades and became a research subject in various fields and disciplines. Real-world data exhibiting self-similar behavior and/or parametrized by self-similarity exponent (in particular Hurst exponent) have been collected in different fields ranging from finance and human sciencies to hydrologic and traffic networks. Such rich classes of possible applications obligates researchers to investigate qualitatively new methods for estimation of the self-similarity exponent as well as identification of long-range dependencies (or long memory). In this thesis I present the Bayesian estimation of the Hurst exponent. In contrast to previous methods, the Bayesian approach allows the possibility to calculate the point estimator and confidence intervals at the same time, bringing significant advantages in data-analysis as discussed in this thesis. Moreover, it is also applicable to short data and unevenly sampled data, thus broadening the range of systems where the estimation of the Hurst exponent is possible. Taking into account that one of the substantial classes of great interest in modeling is the class of Gaussian self-similar processes, this thesis considers the realizations of the processes of fractional Brownian motion and fractional Gaussian noise. Additionally, applications to real-world data, such as the data of water level of the Nile River and fixational eye movements are also discussed. N2 - Die Abschätzung des Selbstähnlichkeitsexponenten hat in den letzten Jahr-zehnten an Aufmerksamkeit gewonnen und ist in vielen wissenschaftlichen Gebieten und Disziplinen zu einem intensiven Forschungsthema geworden. Reelle Daten, die selbsähnliches Verhalten zeigen und/oder durch den Selbstähnlichkeitsexponenten (insbesondere durch den Hurst-Exponenten) parametrisiert werden, wurden in verschiedenen Gebieten gesammelt, die von Finanzwissenschaften über Humanwissenschaften bis zu Netzwerken in der Hydrologie und dem Verkehr reichen. Diese reiche Anzahl an möglichen Anwendungen verlangt von Forschern, neue Methoden zu entwickeln, um den Selbstähnlichkeitsexponenten abzuschätzen, sowie großskalige Abhängigkeiten zu erkennen. In dieser Arbeit stelle ich die Bayessche Schätzung des Hurst-Exponenten vor. Im Unterschied zu früheren Methoden, erlaubt die Bayessche Herangehensweise die Berechnung von Punktschätzungen zusammen mit Konfidenzintervallen, was von bedeutendem Vorteil in der Datenanalyse ist, wie in der Arbeit diskutiert wird. Zudem ist diese Methode anwendbar auf kurze und unregelmäßig verteilte Datensätze, wodurch die Auswahl der möglichen Anwendung, wo der Hurst-Exponent geschätzt werden soll, stark erweitert wird. Unter Berücksichtigung der Tatsache, dass der Gauß'sche selbstähnliche Prozess von bedeutender Interesse in der Modellierung ist, werden in dieser Arbeit Realisierungen der Prozesse der fraktionalen Brown'schen Bewegung und des fraktionalen Gauß'schen Rauschens untersucht. Zusätzlich werden Anwendungen auf reelle Daten, wie Wasserstände des Nil und fixierte Augenbewegungen, diskutiert. KW - Hurst-Exponent KW - Bayessche Statistik KW - fraktionale Brown'schen Bewegung KW - fraktionales Gauß'sches Rauschen KW - fixierte Augenbewegungen KW - Hurst exponent KW - Bayesian inference KW - fractional Brownian motion KW - fractional Gaussian noise KW - fixational eye movements Y1 - 2012 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus-64099 ER - TY - THES A1 - Bettenbühl, Mario T1 - Microsaccades T1 - Mikrosakkaden BT - Symbols in fixational eye movements BT - Symbole in den Fixationsbewegungen der Augen N2 - The first thing we do upon waking is open our eyes. Rotating them in our eye sockets, we scan our surroundings and collect the information into a picture in our head. Eye movements can be split into saccades and fixational eye movements, which occur when we attempt to fixate our gaze. The latter consists of microsaccades, drift and tremor. Before we even lift our eye lids, eye movements – such as saccades and microsaccades that let the eyes jump from one to another position – have partially been prepared in the brain stem. Saccades and microsaccades are often assumed to be generated by the same mechanisms. But how saccades and microsaccades can be classified according to shape has not yet been reported in a statistical manner. Research has put more effort into the investigations of microsaccades’ properties and generation only since the last decade. Consequently, we are only beginning to understand the dynamic processes governing microsaccadic eye movements. Within this thesis, the dynamics governing the generation of microsaccades is assessed and the development of a model for the underlying processes. Eye movement trajectories from different experiments are used, recorded with a video-based eye tracking technique, and a novel method is proposed for the scale-invariant detection of saccades (events of large amplitude) and microsaccades (events of small amplitude). Using a time-frequency approach, the method is examined with different experiments and validated against simulated data. A shape model is suggested that allows for a simple estimation of saccade- and microsaccade related properties. For sequences of microsaccades, in this thesis a time-dynamic Markov model is proposed, with a memory horizon that changes over time and which can best describe sequences of microsaccades. N2 - Beim Aufwachen jeden Morgen, ist es das erste, was wir tun: wir öffnen unsere Augen. Wir lassen die Augen rotieren und suchen unsere Umgebung ab. Gleichzeitig wird die gesammelte Information in unserem Gehirn zu einem Bild vereint. Augenbewegungen können getrennt werden in Sakkaden, welche sprunghafte Augenbewegungen darstellen, und Fixationsbewegungen der Augen, letztere bestehend aus Mikrosakkaden, Tremor und Drift. Bevor wir unsere Augen aufschlagen, wurden die Bewegungen bereits teilweise im Hirnstamm vorprogrammiert. So ist dieser Teil unseres Gehirns verantwortlich für die Auslösung einer Sakkade oder Mikrosakkade, worin man versuchen kann auch gleichzeitig einen Zusammenhang für die Generierung dieser Bewegung herzustellen. Es wird vermutet, dass Mikrosakkaden auch als kleinskaligere Sakkade verstanden werden können, welche auftreten, wenn wir versuchen unsere Augen still auf einen Punkt zu fixieren. Bisher gibt es keine statistische Untersuchung bezüglich einer Klassifizierung von Sakkaden und Mikrosakkaden aufgrund ihrer Form, d.h. ihrer räumlichen Entwicklung über die Zeit. Seit Beginn des neuen Milleniums verstärkte sich die Forschung wieder auf die Eigenschaften und Entstehung von Mikrosakkaden. Demnach stehen wir immer noch am Anfang diese Phänomene mit dynamischen Prozessen beschreiben zu können. Der Fokus dieser Arbeit konzentriert sich auf das Verstehen der generierenden Dynamik von Mikrosakkaden. Es wird ein Model für den unterliegenden Prozess entwickelt und getestet. Es wurden Aufzeichnungen von Augenbewegungen aus verschiedenen Experimenten genutzt, jeweils aufgenommen mit einem videobasiertem System. Es wird eine neue Methode zur amplitudenunabhängigen Detektion von Sakkaden eingeführt, um die Zeitpunkte des Auftretens von Mikrosakkaden und Sakkaden zu bestimmen. Dabei werden für Daten verschiedener Experimente Methoden der Zeit-Frequenz-Analyse genutzt und anschließend die Methode validiert mit simulierten Daten. Außerdem wird ein Modell vorgestellt für die formabhängigen Ausprägungen von Sakkaden und Mikrosakkaden, um die Schätzung ihrer beiden physikalisch relevanten Eigenschaften zu erleichtern. Zum Ende der Arbeit wird ein zeitdynamisches Modell für Sequenzen von Mikrosakkadensymbolen aufgezeigt. Mithilfe der Beschreibung der in Symbolsequenzen übersetzten Mikrosakkadensequenzen als Markovketten, wird diese Form der Augenbewegung durch einen stochastischen Prozess beschrieben. Hierbei bestehen zeitliche und räumliche Abhängigkeiten zwischen den aufeinanderfolgenden zeitdiskreten Symbolen und erlauben somit, ein Referenzmodell für einen Teil der Fixationsbewegungen der Augen zu haben. T3 - Potsdam Cognitive Science Series - 5 KW - Mikrosakkaden KW - Fixationsbewegungen der Augen KW - Sakkadendetektion KW - Mikrosakkadensequenzen KW - Waveletanalyse KW - microsaccades KW - fixational eye movements KW - saccade detection KW - sequences of microsaccades KW - wavelet analysis Y1 - 2015 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus-72622 SN - 978-3-86956-122-6 PB - Universitätsverlag Potsdam CY - Potsdam ER -