روش یادگیری گروهی چند‌‌وجهی برای کدگشایی اشیاء دیداری از دادگان fmri مغزی

با توجه به گسترش روزافزون پژوهش‌های علوم شناختی، کدگشایی مغز انسان یک موضوع داغ در حوزه علوم عصب شناسی محاسباتی است. در این راستا پژوهش‌های متعددی جهت ارائه روشی کارا و موثر برای کدگشایی فعالیت مغز انسان با پردازش دادگان fmri در حال انجام است. خروجی این روش ها به‌طورعمومی معطوف به ارائه یک مدل محاسباتی تعمیم یافته است که امکان تشخیص سیگنال مغزی و تعلق آن به عامل محرک (شیء دیداری) را ارائه می دهد. دادگان مغزی دارای ابعاد زمانی و فضایی زیادی هستند که سبب افزایش تعداد ویژگی‌ها نیز می‌شود. همچنین استخراج ویژگی های مفید از تصاویر مغزی مانند fmri کاری پیچیده است. این امر سبب طولانی‌شدن عمل هم‌گرایی در الگوریتم های یادگیری برای ایجاد مدل مناسب می‌شود؛ با توجه به چالش‌های یادشده، روش‌های یادگیری گروهی چندوجهی یک پیشنهاد مناسب برای حل مساله کدگشایی مغز محسوب می‌شود که تلفیقی مناسب بین ویژگی های عملکردی متفاوت در دادگان مغزی ایجاد می‌کند. در روش پیشنهادی داده‌های آموزشی بر اساس اطلاعات متقابل در فضای ویژگی خوشه‌بندی می‌شوند، به‌صورتی که فضای ویژگی به چند وجه تفکیک می‌شود؛ سپس روی هر وجهِ ویژگی یک مدل ماشین بردار پشتیبان به‌صورت موازی آموزش داده می‌شود. در مرحله آزمون، فضای ویژگی دادگان آزمون نیز به‌صورت مشابه دادگان آموزش تقسیم می‌شود؛ و هر بردار ویژگی به مدل مربوطه تخصیص داده خواهد شد. از هر مدل یک بردار احتمالاتی تولید می‌شود و با هم‌جوشی این بردارها ماتریس پروفایل تصمیم‌گیری ساخته خواهد شد؛ درنهایت عملگرهای وزن‌دار مرتب‌شده اعمال می‌‌شود. جهت بررسی کارایی رویکرد پیشنهادی از رویکرد اعتبار سنجی متقابل با سناریوی درون فردی استفاده ‌شده است. معیارهایی مانند صحت و ماتریسِ درهم‌ریختگی برای ارزیابی مدل، به‌کار برده شده است. با بررسی عملکرد مدل بر روی هر وجه ویژگی، می‌توان دقت دسته بندی با میانگین بیش از 50% را به‌دست آورد؛ اما در مدل گروهی نظارتی متوسط صحت تشخیص به بیش از 90 درصد می‌رسد.

An Ensemble Multiview learning method for visual object decoding from fMRI brain data

In the past two decades, the applications of computational neuroscience have been increasingly growing. Breaking the neural code is a crucial open problem in computational neuroscience. Various research groups attempt to provide an efficient method to decode human brain activity using fMRI data. The output of these methods is a computational model that can assign brain signals to an external stimulus; in this study, visual object recognition has been investigated. The brain decoders are used in many applications, such as the braincomputer interface or detecting specific mental illnesses. In general, brain fMRI data have a high spatial and temporal resolution that increases the number of features of the problem. Proper feature extraction from brain images is a challenging and timeconsuming process. Consequently, the convergence of learning algorithms takes a long time to create an appropriate model. So, breaking down the feature space is highly recommended. We proposed new multiview learning to solve the brain decoding problem. This approach splits the feature space based on mutual information and finds an appropriate ensemble classification model that detects the related visual object to neural activities in the brain.The proposed method clusters the feature space based on mutual information and splits it into coherent subspaces, views. For each feature view, a support vector machine model is learned in parallel; the used SVM version can generate a vector of probabilities for each class. At the test phase, the feature space of test data is divided similarly to the training data, and each model generates a probabilistic vector for the test instances. Then, these vectors are combined in the decision profile matrix. The decision fusion is employed by the ordered weighted averaging (OWA) approach. The proposed multiview learning methods achieved higher accuracy rates than the single view model. The main advantage of the MV model is that it can run in parallel, making it counterproductive to deal with the highdimensional problems based on the divide and conquer strategy. The optimization phase to detect the most acceptable parameters for each model is obtained using the simulated annealing, SA, algorithm. We have employed three real fMRI datasets of the human brain to assess the proposed method, obtained from the Openneuro website. Also, the leaveonerunout crossvalidation approach has been carried out to evaluate the proposed method in the intrasubject scenario. Criteria such as accuracy rate and confusion matrix have been undertaken to analyze the results. The single feature view obtains an accuracy rate of more than 50%. While in the ensemble model, the accuracy rate in most subjects is more than 90%.