بکارگیری کاهش ابعاد در تصاویر fmri بر اساس الگوریتم فراابتکاری جهت تشخیص اوتیسم

مقدمه: اختلال طیف اوتیسم (asd) یک اختلال روانی است و مهارت‌های کلامی و تعاملات اجتماعی فرد را تحت تاثیر قرار می‌دهد. با تولید تصاویر تشدید مغناطیسی کارکردی(fmri) و پیشرفت ابزارهای پردازشی آن‌ها، استفاده از این تصاویر در شناسایی و بررسی عملکرد مغز افراد اوتیستیک بسیار مورد توجه قرار گرفت. البته، در این رویکرد فضای ویژگی بر مبنای ماتریس ارتباط عملکردی دارای ابعاد بسیار است. برخی از این ویژگی‌ها وابسته، غیر ضروری و اضافی هستند که کیفیت تشخیص را کاهش داده و حجم محاسبات را افزایش می‌دهد. از این رو با توجه به ابعاد بالای فضای جستجو، الگوریتم بهینه‌سازی توده ذرات (pso) به‌عنوان یکی از ابزارهای قدرتمند جستجوی فراابتکاری در انتخاب ویژگی‌های بهینه بکار گرفته شده است. مواد و روش‌ها: به منظور ارزیابی قابلیت روش پیشنهادی، از الگوریتم آنالیز مولفه‌های اصلی (pca) به‌عنوان یک روش کاهش بعد استاندارد استفاده می‌شود. در پژوهش حاضر، از طبقه‌بندی کننده ماشین‌های بردار پشتیبان (svm) در تشخیص افراد اوتیستیک و سالم بر روی داده‌های پایگاه abide استفاده شد. ضرایب ماتریس ازتباط عملکردی منجر به تولید فضای ویژگی با 6670 بعد می‌شود. یافته‌ها: دقت طبقه‌بندی کننده svm در این فضای ویژگی 56 درصد است. بکارگیری الگوریتم بهینه‌سازی توده ذرات با حذف 3442 ویژگی، دقت طبقه‌بندی را تا 62.19 درصد افزایش داد که در مقایسه با الگوریتم آنالیز مولفه‌های اصلی عملکرد بهتری دارد. نتایج کاهش ابعاد فضای ویژگی نشان می‌دهد که این الگوریتم فراابتکاری با حذف تقریباً نیمی از ویژگی‌ها منجر به افزایش 6 درصد صحت طبقه‌بندی می‌شود. نتیجه‌گیری: نتایج حاکی از توانایی الگوریتم ماشین‌های بردار پشتیبان در مقایسه با جنگل‌های تصادفی و نزدیک‌ترین k همسایگی می‌باشد. الگوریتم pso به منظور کاهش بعد فضای داده ورودی استفاده شد.

Dimension Reduction in fMRI Images based on Metaheuristic Algorithm to Diagnose Autism

Introduction: Autism Spectrum Disorder (ASD) is a mental disorder and affects a person #39;s linguistic skills and social interactions. With the production of Functional Magnetic Resonance Imaging (fMRI) and the development of their processing tools, the use of these images in identifying and evaluating the brain function of autistic people received a lot of attention. However, in this approach using the functional connectivity matrices leads to the creation of feature space with very high dimensions. Some of these features are dependent, unnecessary and additional, which reduces the quality of detection and increases the number of calculations. Therefore, regarding the large dimensions of the search space, the Particle Swarm Optimization (PSO) algorithm has been used as one of the powerful metaheuristic search tools in selecting the optimal features. Materials and Methods: To evaluate the capability of the proposed method, the principal component analysis (PCA) algorithm is used as a standard dimension reduction method. In this study, the Support Vector Machines (SVM) classifier was used to detect autistic and healthy persons on the ABIDE database data. Feature space has been generated based on a functional connectivity matrix which has 6670 dimensions. Results: SVM accuracy in highdimensional specialty space is 56%. The proposed method based on PSO eliminates 3442 redundant features and increases classification accuracy up to 62.19 % that performs better than PCA. The findings show that this metaheuristic algorithm by removing almost half of the features results in a 6% increase in classification precision. Conclusion: The results indicate the ability of SVM in comparison with the Random Forest and KNearest Neighbor (KNN). PSO algorithm was used for dimension reduction of the input data space.