Sammanfattning: Introduktion: Tidig upptäckt av cerebral pares (CP) möjliggör tidig behandling, när hjärnans plasticitet är bäst, vilket optimerar barnets utveckling. I Sverige erbjuds alla barn motoriska utvecklingsuppföljningar inom barnhälsovården (BHV). Barn med kända riskfaktorer för CP följs dessutom inom neonatala uppföljningsprogram, där evidensbaserade bedömningsmetoder används vid motorisk bedömning. För en patientsäker vård behöver nedsatt motorik och CP tidigt identifieras, oberoende vart barnen följs. Syfte: Undersöka skillnader mellan barn med CP tillhörande högriskgrupp (HR) eller lågriskgrupp (LR), gällande första kontakt med fysioterapeut och motorisk bedömning, i Region Uppsala. Metod: Kvantitativ journalstudie med deskriptiv, retrospektiv och komparativ design valdes. Barn födda 2010-2016, diagnostiserade med CP 2010-2018 i Region Uppsala inkluderades. Barnen delades in i HR/LR för CP. Mätvariabler: motorisk nivå och kvalitet, funktionsnivå, typ av CP, ålder första kontakt med fysioterapeut samt ålder remittering till habiliteringsverksamheten. Deskriptiv statistik och icke-parametriska statistiska test användes, p-värde ≤0.05. Resultat: Trettiosju barn inkluderades, 22 HR/15 LR för CP. Barnen med högrisk bedömdes av fysioterapeut, erbjöds behandling samt remitterades till habiliteringsverksamheten signifikant tidigare. Barn med sämre funktionsnivå remitterades signifikant tidigare till habiliteringsverksamheten. Slutsats: Barn med CP i Region Uppsala har ojämlik tillgång till fysioterapeutiska bedömningar och behandlingar. Barn med högrisk för CP bedömdes av fysioterapeut och remitterades till habiliteringsverksamheten tidigare.  Barn med sämre funktionsnivå remitterades också tidigare. Evidensbaserade bedömningsmetoder verkar möjliggöra tidig upptäckt av motoriska avvikelser och därigenom möjlighet till tidiga interventioner. Ett sätt att erbjuda patientsäker och jämlik vård för barn med utvecklingsavvikelser, kan vara att använda evidensbaserade bedömningametoder inom verksamheter vars mål är identifiering av utvecklingsavvikelser. / Abstract: Introduction: Early detection of cerebral palsy (CP) allows for early treatment, when brain plasticity is at its best, which optimizes the child's development. In Sweden, all children are offered motor developmental surveillance in child health services. In addition children with known riskfactors of developing CP are enrolled in neonatal follow-up, using evidence-based assessment methods. In order to provide patientsafe and quality of care, early identification of impaired motor function and CP is needed, regardless of where the children are monitored. Aims: Investigate differences between children belonging to high or low riskgroup for CP regarding first contact with physiotherapist and assessed motorskills, in Region Uppsala. Methods: A quantitative journalstudy with descriptive, retrospective and comparative design was selected. Children born 2010-2016 diagnosed with CP 2010-2018 in Region Uppsala were included and divided into children with high or low risk to develop CP. Measures: motor performance, level of disability, type of CP, first visit at physiotherapist, age of reffered to habilitation-services. Descriptive statistics and non-parametric statistical tests were used, p-value ≤0.05. Results: Thirty-seven children were included, 22 with high-risk and 15 with low-risk for CP. Children with high-risk were assessed by physioterapist and referred to habilitation-services significantly earlier. Children with more severe disability were also referred significantly earlier. Conclusion: Children with CP in Region Uppsala have unequal access to timely physiotherapy and habilitation-services. Evidence-based assessment methods enable early detection of motor abnormalities and allows for early treatment. To provide safe and equal care, all professionals performing developmental surveillance should use evidence-based assessment methods.

Indiana University-Purdue University Indianapolis (IUPUI) / Physical and biological phenomena that involve oscillations on multiple time scales attract attention of mathematicians because resulting equations include a small parameter that allows for decomposing a three- or higher-dimensional dynamical system into fast/slow subsystems of lower dimensionality and analyzing them independently using geometric singular perturbation theory and other techniques. However, in most life sciences applications observed dynamics is extremely complex, no small parameter exists and this approach fails. Nevertheless, it is still desirable to gain insight into behavior of these mathematical models using the only viable alternative – ad hoc computational analysis. Current dissertation is devoted to this latter approach. Neural networks in the region of the brain called basal ganglia (BG) are capable of producing rich activity patterns. For example, burst firing, i.e. a train of action potentials followed by a period of quiescence in neurons of the subthalamic nucleus (STN) in BG was shown to be related to involuntary shaking of limbs in Parkinson’s disease called tremor. The origin of tremor remains unknown; however, a few hypotheses of tremor-generation were proposed recently. The first project of this dissertation examines the BG-thalamo-cortical loop hypothesis for tremor generation by building physiologically-relevant mathematical model of tremor-related circuits with negative delayed feedback. The dynamics of the model is explored under variation of connection strength and delay parameters in the feedback loop using computational methods and data analysis techniques. The model is shown to qualitatively reproduce the transition from irregular physiological activity to pathological synchronous dynamics with varying parameters that are affected in Parkinson’s disease. Thus, the proposed model provides an explanation for the basal ganglia-thalamo-cortical loop mechanism of tremor generation. Besides tremor-related bursting activity BG structures in Parkinson’s disease also show increased synchronized activity in the beta-band (10-30Hz) that ultimately causes other parkinsonian symptoms like slowness of movement, rigidity etc. Suppression of excessively synchronous beta-band oscillatory activity is believed to suppress hypokinetic motor symptoms in Parkinson’s disease. Recently, a lot of interest has been devoted to desynchronizing delayed feedback deep brain stimulation (DBS). This type of synchrony control was shown to destabilize synchronized state in networks of simple model oscillators as well as in networks of coupled model neurons. However, the dynamics of the neural activity in Parkinson’s disease exhibits complex intermittent synchronous patterns, far from the idealized synchronized dynamics used to study the delayed feedback stimulation. The second project of this dissertation explores the action of delayed feedback stimulation on partially synchronous oscillatory dynamics, similar to what one observes experimentally in parkinsonian patients. We employ a computational model of the basal ganglia networks which reproduces the fine temporal structure of the synchronous dynamics observed experimentally. Modeling results suggest that delayed feedback DBS in Parkinson’s disease may boost rather than suppresses synchronization and is therefore unlikely to be clinically successful. Single neuron dynamics may also have important physiological meaning. For instance, bistability – coexistence of two stable solutions observed experimentally in many neurons is thought to be involved in some short-term memory tasks. Bistability that occurs at the depolarization block, i.e. a silent depolarized state a neuron enters with excessive excitatory input was proposed to play a role in improving robustness of oscillations in pacemaker-type neurons. The third project of this dissertation studies what parameters control bistability at the depolarization block in the three-dimensional conductance-based neuronal model by comparing the reduced dopaminergic neuron model to the Hodgkin-Huxley model of the squid giant axon. Bifurcation analysis and parameter variations revealed that bistability is mainly characterized by the inactivation of the Na+ current, while the activation characteristics of the Na+ and the delayed rectifier K+ currents do not account for the difference in bistability in the two models.

No description available.

No description available.

No description available.

No description available.

No description available.

[EN] This thesis concerns the analysis of differential equations with uncertain input parameters, in the form of random variables or stochastic processes with any type of probability distributions. In modeling, the input coefficients are set from experimental data, which often involve uncertainties from measurement errors. Moreover, the behavior of the physical phenomenon under study does not follow strict deterministic laws. It is thus more realistic to consider mathematical models with randomness in their formulation. The solution, considered in the sample-path or the mean square sense, is a smooth stochastic process, whose uncertainty has to be quantified. Uncertainty quantification is usually performed by computing the main statistics (expectation and variance) and, if possible, the probability density function. In this dissertation, we study random linear models, based on ordinary differential equations with and without delay and on partial differential equations. The linear structure of the models makes it possible to seek for certain probabilistic solutions and even approximate their probability density functions, which is a difficult goal in general. A very important part of the dissertation is devoted to random second-order linear differential equations, where the coefficients of the equation are stochastic processes and the initial conditions are random variables. The study of this class of differential equations in the random setting is mainly motivated because of their important role in Mathematical Physics. We start by solving the randomized Legendre differential equation in the mean square sense, which allows the approximation of the expectation and the variance of the stochastic solution. The methodology is extended to general random second-order linear differential equations with analytic (expressible as random power series) coefficients, by means of the so-called Fröbenius method. A comparative case study is performed with spectral methods based on polynomial chaos expansions. On the other hand, the Fröbenius method together with Monte Carlo simulation are used to approximate the probability density function of the solution. Several variance reduction methods based on quadrature rules and multilevel strategies are proposed to speed up the Monte Carlo procedure. The last part on random second-order linear differential equations is devoted to a random diffusion-reaction Poisson-type problem, where the probability density function is approximated using a finite difference numerical scheme. The thesis also studies random ordinary differential equations with discrete constant delay. We study the linear autonomous case, when the coefficient of the non-delay component and the parameter of the delay term are both random variables while the initial condition is a stochastic process. It is proved that the deterministic solution constructed with the method of steps that involves the delayed exponential function is a probabilistic solution in the Lebesgue sense. Finally, the last chapter is devoted to the linear advection partial differential equation, subject to stochastic velocity field and initial condition. We solve the equation in the mean square sense and provide new expressions for the probability density function of the solution, even in the non-Gaussian velocity case. / [ES] Esta tesis trata el análisis de ecuaciones diferenciales con parámetros de entrada aleatorios, en la forma de variables aleatorias o procesos estocásticos con cualquier tipo de distribución de probabilidad. En modelización, los coeficientes de entrada se fijan a partir de datos experimentales, los cuales suelen acarrear incertidumbre por los errores de medición. Además, el comportamiento del fenómeno físico bajo estudio no sigue patrones estrictamente deterministas. Es por tanto más realista trabajar con modelos matemáticos con aleatoriedad en su formulación. La solución, considerada en el sentido de caminos aleatorios o en el sentido de media cuadrática, es un proceso estocástico suave, cuya incertidumbre se tiene que cuantificar. La cuantificación de la incertidumbre es a menudo llevada a cabo calculando los principales estadísticos (esperanza y varianza) y, si es posible, la función de densidad de probabilidad. En este trabajo, estudiamos modelos aleatorios lineales, basados en ecuaciones diferenciales ordinarias con y sin retardo, y en ecuaciones en derivadas parciales. La estructura lineal de los modelos nos permite buscar ciertas soluciones probabilísticas e incluso aproximar su función de densidad de probabilidad, lo cual es un objetivo complicado en general. Una parte muy importante de la disertación se dedica a las ecuaciones diferenciales lineales de segundo orden aleatorias, donde los coeficientes de la ecuación son procesos estocásticos y las condiciones iniciales son variables aleatorias. El estudio de esta clase de ecuaciones diferenciales en el contexto aleatorio está motivado principalmente por su importante papel en la Física Matemática. Empezamos resolviendo la ecuación diferencial de Legendre aleatorizada en el sentido de media cuadrática, lo que permite la aproximación de la esperanza y la varianza de la solución estocástica. La metodología se extiende al caso general de ecuaciones diferenciales lineales de segundo orden aleatorias con coeficientes analíticos (expresables como series de potencias), mediante el conocido método de Fröbenius. Se lleva a cabo un estudio comparativo con métodos espectrales basados en expansiones de caos polinomial. Por otro lado, el método de Fröbenius junto con la simulación de Monte Carlo se utilizan para aproximar la función de densidad de probabilidad de la solución. Para acelerar el procedimiento de Monte Carlo, se proponen varios métodos de reducción de la varianza basados en reglas de cuadratura y estrategias multinivel. La última parte sobre ecuaciones diferenciales lineales de segundo orden aleatorias estudia un problema aleatorio de tipo Poisson de difusión-reacción, en el que la función de densidad de probabilidad es aproximada mediante un esquema numérico de diferencias finitas. En la tesis también se tratan ecuaciones diferenciales ordinarias aleatorias con retardo discreto y constante. Estudiamos el caso lineal y autónomo, cuando el coeficiente de la componente no retardada i el parámetro del término retardado son ambos variables aleatorias mientras que la condición inicial es un proceso estocástico. Se demuestra que la solución determinista construida con el método de los pasos y que involucra la función exponencial retardada es una solución probabilística en el sentido de Lebesgue. Finalmente, el último capítulo lo dedicamos a la ecuación en derivadas parciales lineal de advección, sujeta a velocidad y condición inicial estocásticas. Resolvemos la ecuación en el sentido de media cuadrática y damos nuevas expresiones para la función de densidad de probabilidad de la solución, incluso en el caso de velocidad no Gaussiana. / [CA] Aquesta tesi tracta l'anàlisi d'equacions diferencials amb paràmetres d'entrada aleatoris, en la forma de variables aleatòries o processos estocàstics amb qualsevol mena de distribució de probabilitat. En modelització, els coeficients d'entrada són fixats a partir de dades experimentals, les quals solen comportar incertesa pels errors de mesurament. A més a més, el comportament del fenomen físic sota estudi no segueix patrons estrictament deterministes. És per tant més realista treballar amb models matemàtics amb aleatorietat en la seua formulació. La solució, considerada en el sentit de camins aleatoris o en el sentit de mitjana quadràtica, és un procés estocàstic suau, la incertesa del qual s'ha de quantificar. La quantificació de la incertesa és sovint duta a terme calculant els principals estadístics (esperança i variància) i, si es pot, la funció de densitat de probabilitat. En aquest treball, estudiem models aleatoris lineals, basats en equacions diferencials ordinàries amb retard i sense, i en equacions en derivades parcials. L'estructura lineal dels models ens fa possible cercar certes solucions probabilístiques i inclús aproximar la seua funció de densitat de probabilitat, el qual és un objectiu complicat en general. Una part molt important de la dissertació es dedica a les equacions diferencials lineals de segon ordre aleatòries, on els coeficients de l'equació són processos estocàstics i les condicions inicials són variables aleatòries. L'estudi d'aquesta classe d'equacions diferencials en el context aleatori està motivat principalment pel seu important paper en Física Matemàtica. Comencem resolent l'equació diferencial de Legendre aleatoritzada en el sentit de mitjana quadràtica, el que permet l'aproximació de l'esperança i la variància de la solució estocàstica. La metodologia s'estén al cas general d'equacions diferencials lineals de segon ordre aleatòries amb coeficients analítics (expressables com a sèries de potències), per mitjà del conegut mètode de Fröbenius. Es duu a terme un estudi comparatiu amb mètodes espectrals basats en expansions de caos polinomial. Per altra banda, el mètode de Fröbenius juntament amb la simulació de Monte Carlo són emprats per a aproximar la funció de densitat de probabilitat de la solució. Per a accelerar el procediment de Monte Carlo, es proposen diversos mètodes de reducció de la variància basats en regles de quadratura i estratègies multinivell. L'última part sobre equacions diferencials lineals de segon ordre aleatòries estudia un problema aleatori de tipus Poisson de difusió-reacció, en què la funció de densitat de probabilitat és aproximada mitjançant un esquema numèric de diferències finites. En la tesi també es tracten equacions diferencials ordinàries aleatòries amb retard discret i constant. Estudiem el cas lineal i autònom, quan el coeficient del component no retardat i el paràmetre del terme retardat són ambdós variables aleatòries mentre que la condició inicial és un procés estocàstic. Es prova que la solució determinista construïda amb el mètode dels passos i que involucra la funció exponencial retardada és una solució probabilística en el sentit de Lebesgue. Finalment, el darrer capítol el dediquem a l'equació en derivades parcials lineal d'advecció, subjecta a velocitat i condició inicial estocàstiques. Resolem l'equació en el sentit de mitjana quadràtica i donem noves expressions per a la funció de densitat de probabilitat de la solució, inclús en el cas de velocitat no Gaussiana. / This work has been supported by the Spanish Ministerio de Economía y Competitividad grant MTM2017–89664–P. I acknowledge the doctorate scholarship granted by Programa de Ayudas de Investigación y Desarrollo (PAID), Universitat Politècnica de València. / Jornet Sanz, M. (2020). Mean square solutions of random linear models and computation of their probability density function [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/138394

Tesis por compendio / [ES] Durante las últimas décadas el uso del aprendizaje automático (machine learning) y de la inteligencia artificial ha mostrado un crecimiento exponencial en muchas áreas de la ciencia. El hecho de que los ordenadores hayan aumentado sus restaciones a la vez que han reducido su precio, junto con la disponibilidad de entornos de desarrollo de código abierto han permitido el acceso a la inteligencia artificial a un gran rango de investigadores, democratizando de esta forma el acceso a métodos de inteligencia artificial a la comunidad investigadora. Es nuestra creencia que la multidisciplinaridad es clave para nuevos logros, con equipos compuestos de investigadores con diferentes preparaciones y de diferentes campos de especialización. Con este ánimo, hemos orientado esta tesis en el uso de machine learning inteligencia artificial, aprendizaje profundo o deep learning, entendiendo todas las anteriores como parte de un concepto global que concretamos en el término inteligencia artificial, a intentar arrojar luz a algunos problemas de los campos de las matemáticas y la física. Desarrollamos una arquitectura deep learning y la medimos con éxito en la caracterización de procesos de difusión anómala. Mientras que previamente se habían utilizado métodos estadísticos clásicos con este objetivo, los métodos de deep learning han demostrado mejorar las prestaciones de dichos métodos clásicos. Nuestra architectura demostró que puede inferir con precisión el exponente de difusión anómala y clasificar trayectorias entre un conjunto dado de modelos subyacentes de difusión . Mientras que las redes neuronales recurrentes irrumpieron recientemente, los modelos basados en redes convolucionales han sido ámpliamente testados en el campo del procesamiento de imagen durante más de 15 años. Existen muchos modelos y arquitecturas, pre-entrenados y listos para ser usados por la comunidad. No es necesario realizar investigación ya que dichos modelos han probado su valía durante años y están bien documentados en la literatura. Nuestro objetivo era ser capaces de usar esos modelos bien conocidos y fiables, con trayectorias de difusión anómala. Solo necesitábamos convertir una serie temporal en una imagen, cosa que hicimos aplicando gramian angular fields a las trayectorias, poniendo el foco en las trayectorias cortas. Hasta donde sabemos, ésta es la primera vez que dichas técnicas son usadas en este campo. Mostramos cómo esta aproximación mejora las prestaciones de cualquier otra propuesta en la clasificación del modelo subyacente de difusión anómala para trayectorias cortas. Más allá de la física están las matemáticas. Utilizamos nuestra arquitectura basada en redes recurrentes neuronales para inferir los parámetros que definen las trayectorias de Wu Baleanu. Mostramos que nuestra propuesta puede inferir con azonable precisión los parámetros mu y nu. Siendo la primera vez, de nuevo hasta donde llega nuestro conocimiento, que tales técnicas se aplican en este escenario. Extendemos este trabajo a las ecuaciones fraccionales discretas con retardo, obteniendo resultados similares en términos de precisión. Adicionalmente, mostramos que la misma arquitectura se puede usar para discriminar entre trayectorias con y sin retardo con gran confianza. Finalmente, también investigamos modelos fraccionales discretos. Hemos analizado esquemas de paso temporal con la cuadratura de Lubich en lugar del clásico esquema de orden 1 de Euler. En el primer estudio de este nuevo paradigma hemos comparado los diagramas de bifurcación de los mapas logístico y del seno, obtenidos de la discretización de Euler de orden 1, 2 y 1/2. / [CAT] Durant les darreres dècades l'ús de l'aprenentatge automàtic (machine learning) i de la intel.ligència artificial ha mostrat un creixement exponencial en moltes àrees de la ciència. El fet que els ordinadors hagen augmentat les seues prestacions a la vegada que han reduït el seu preu, junt amb la disponibilitat d'entorns de desenvolupament de codi obert han permès l'accés a la intel.ligència artificial a un gran rang d'investigadors, democratitzant així l'accés a mètodes d'intel.ligència artificial a la comunitat investigadora. És la nostra creença que la multidisciplinaritat és clau per a nous èxits, amb equips compostos d'investigadors amb diferents preparacions i diferents camps d'especialització. Amb aquest ànim, hem orientat aquesta tesi en l'ús d'intel.ligència artificial machine learning, aprenentatge profund o deep learning, entenent totes les anteriors com a part d'un concepte global que concretem en el terme intel.ligència, a intentar donar llum a alguns problemes dels camps de les matemàtiques i la física. Desenvolupem una arquitectura deep learning i la mesurem amb èxit en la caracterització de processos de difusió anòmala. Mentre que prèviament s'havien utilitzat mètodes estadístics clàssics amb aquest objectiu, els mètodes de deep learning han demostrat millorar les prestacions d'aquests mètodes clàssics. La nostra architectura va demostrar que pot inferir amb precisió l'exponent de difusió anòmala i classificar trajectòries entre un conjunt donat de models subjacents de difusió. Mentre que les xarxes neuronals recurrents van irrompre recentment, els models basats en xarxes convolucionals han estat àmpliament testats al camp del processament d'imatge durant més de 15 anys. Hi ha molts models i arquitectures, pre-entrenats i llestos per ser usats per la comunitat. No cal fer recerca ja que aquests models han provat la seva vàlua durant anys i estan ben documentats a la literatura. El nostre objectiu era ser capaços de fer servir aquests models ben coneguts i fiables, amb trajectòries de difusió anòmala. Només necessitàvem convertir una sèrie temporal en una imatge, cosa que vam fer aplicant gramian angular fields a les trajectòries, posant el focus a les trajectòries curtes. Fins on sabem, aquesta és la primera vegada que aquestes tècniques són usades en aquest camp. Mostrem com aquesta aproximació millora les prestacions de qualsevol altra proposta a la classificació del model subjacent de difusió anòmala per a trajectòries curtes. Més enllà de la física hi ha les matemàtiques. Utilitzem la nostra arquitectura basada en xarxes recurrents neuronals per inferir els paràmetres que defineixen les trajectòries de Wu Baleanu. Mostrem que la nostra proposta pot inferir amb raonable precisió els paràmetres mu i nu. Sent la primera vegada, novament fins on arriba el nostre coneixement, que aquestes tècniques s'apliquen en aquest escenari. Estenem aquest treball a les equacions fraccionals discretes amb retard, obtenint resultats similars en termes de precisió. Addicionalment, mostrem que la mateixa arquitectura es pot fer servir per discriminar entre trajectòries amb i sense retard amb gran confiança. Finalment, també investiguem models fraccionals discrets. Hem analitzat esquemes de pas temporal amb la quadratura de Lubich en lloc del clàssic esquema d'ordre 1 d'Euler. Al primer estudi d'aquest nou paradigma hem comparat els diagrames de bifurcació dels mapes logístic i del sinus, obtinguts de la discretització d'Euler d'ordre 1, 2 i 1/2. / [EN] During the last decades the use of machine learning and artificial intelligence have showed an exponential growth in many areas of science. The fact that computer's hardware has increased its performance while lowering the price and the availability of open source frameworks have enabled the access to artificial intelligence to a broad range of researchers, hence democratizing the access to artificial intelligence methods to the research community. It is our belief that multi-disciplinarity is the key to new achievements, with teams composed of researchers with different backgrounds and fields of specialization. With this aim, we focused this thesis in using machine learning, artificial intelligence, deep learing, all of them being understood as part of a whole concept we concrete in artificial intelligence, to try to shed light to some problems from the fields of mathematics and physics. A deep learning architecture was developed and successfully benchmarked with the characterization of anomalous diffusion processes. Whereas traditional statistical methods had previously been used with this aim, deep learing methods, mainly based on recurrent neural networks have proved to outperform these clasical methods. Our architecture showed it can precisely infer the anomalous diffusion exponent and accurately classify trajectories among a given set of underlaying diffusion models. While recurrent neural networks irrupted in the recent years, convolutional network based models had been extensively tested in the field of image processing for more than 15 years. There exist many models and architectures, pre-trained and set to be used by the community. No further investigation needs to be done since the architecture have proved their value for years and are very well documented in the literature. Our goal was being able to used this well-known and reliable models with anomalous diffusion trajectories. We only needed to be able to convert a time series into an image, which we successfully did by applying gramian angular fields to the trajectories, focusing on short ones. To our knowledge this is the first time these techniques were used in this field. We show how this approach outperforms any other proposal in the underlaying diffusion model classification for short trajectories. Besides physics it is maths. We used our recurrent neural networks architecture to infer the parameters that define the Wu Baleanu trajectories. We show that our proposal can precisely infer both the mu and nu parameters with a reasonable confidence. Being the first time, to the best of our knowledge, that such techniques were applied to this scenario. We extend this work to the discrete delayed fractional equations, obtaining similar results in terms of precision. Additionally, we showed that the same architecture can be used to discriminate delayed from non-delayed trajectories with a high confidence. Finally, we also searched fractional discrete models. We have considered Lubich's quadrature time-stepping schemes instead of the classical Euler scheme of order 1. As the first study with this new paradigm, we compare the bifurcation diagrams for the logistic and sine maps obtained from Euler discretizations of orders 1, 2, and 1/2. / J.A.C. acknowledges support from ALBATROSS project (National Plan for Scientific and Technical Research and Innovation 2017-2020, No. PID2019-104978RB-I00). M.A.G.M. acknowledges funding from the Spanish Ministry of Education and Vocational Training (MEFP) through the Beatriz Galindo program 2018 (BEAGAL18/00203) and Spanish Ministry MINECO (FIDEUA PID2019- 106901GBI00/10.13039/501100011033). We thank M.A. Garc ́ıa-March for helpful comments and discussions on the topic. NF is sup- ported by the National University of Singapore through the Singapore International Graduate Student Award (SINGA) program. OGO and LS acknowledge funding from MINECO project, grant TIN2017-88476-C2-1-R. JAC acknowledges funding from grant PID2021-124618NB-C21 funded by MCIN/AEI/ 10.13039/501100011033 and by “ERDF A way of making Europe”, by the “European Union”. We also thank funding for the open access charges from CRUE-Universitat Politècnica de València. / Garibo Orts, Ó. (2023). Anomalous Diffusion Characterization using Machine Learning Methods [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/192831 / Compendio

Bank voles, grey-sided voles, and field voles had synchronous 3-4 year density cycles with variable amplitudes which averaged about 200-fold in each species. Cycles of vole predators (red fox and Tengmalm's owl), and their (foxes') alternative prey (mountain hare and forest grouse) lagged behind the vole cycles. The nomadic Tengmalm's owl responded with a very rapid and strong numerical increase to the initial cyclic summer increase of voles (the owl’s staple food). Owl breeding densities in the springs were highly correlated with vole supply in the previous autumns. This suggested that the number of breeding owls was largely determined in the autumn at the time of the owl's nomadic migrations, and that immigration was crucial for the rapid rise in owl numbers. The owl's numerical response was reinforced by the laying of earlier and larger clutches when food was plentiful. In addition, the owl has an early maturation at one year of age. The transition between subsequent vole cycles was characterized by a distinct shift in rate of change in numbers from low to high or markedly higher values in both summer and winter. Regulation increased progressively throughout the cycle since the rate of change decreased continuously in the summers. Moreover, there was a similar decrease of the rate of change in winter. Rate of change was delayed density-dependent. The delayed density-dependence had an 8 month time-lag in the summers and a 4 month time-lag in the winters relative to the density in previous autumns and springs, respectively. These findings suggest that vole cycles are likely to be generated by a time-lag mechanism. On theoretical grounds, it has been found that a delayed density- dependence of population growth rate with a 9 month time-lag caused stable limit cycles with a period between 3 and 4 years. Some mechanisms for the delayed density-dependence are suggested and discussed. The mechanisms are assumed to be related to remaining effects of vole populations past interactions with predators, food supplies, and/or diseases. Unlike the other voles, the bank vole had regular and distinct seasonal declines in density over winter. These declines are proposed to be due to predation, mainly by Tengmalm's owl. Supranivean foraging for epiphytic tree lichens and conifer seeds most likely explains why this species was frequently taken by the owl under snow-rich conditions. The alternative prey hypothesis predicts that a reduction of predator numbers should increase the number of alternative prey. Alternative prey should be less effectively synchronized to the vole cycle by predation at declining and low vole (main prey) densities; they may also lose their 3-4 year cyclicity. The appearance of sarcoptic mange among foxes in northern Sweden in the mid 1970s provided an opportunity to "test" these ideas, and these were found to be supported. In areas with highest mange infection rates, foxes declined markedly from the late 1970s to mid 1980s, whereas hare numbers rose rapidly and appeared non-cyclic. / <p>Diss. (sammanfattning) Umeå : Umeå universitet, 1991, härtill 7 uppsatser</p> / digitalisering@umu