fMRI verisi kullanarak bilişsel hal tasnifinde öznitelik seçim tekniklerinin değerlendirilmesi ve iyileştirilmesi

Abstract

Son zamanlardaki araştırmalar insan deneklerin fMRI (fonksiyonel manyetik rezonans görüntüleme) verisini kullanarak bilişsel hal ayırt etmenin mümkün olduğunu göstermiştir. fMRI verisinin sınıflandırılmasını güçleştiren en büyük engellerden biri verinin yüksek boyutlu ve seyrek olmasıdır. Tek bir fMRI enstantanesi binlerce voxel bulundurabilir ve bir deney bir çok fMRI enstantanesi barındırdığından verinin boyutu kolaylıkla on binleri geçebilir. Şu halde öznitelik seçimi yöntemlerinin kullanılması hem sınıflandırma hem de çalışma zamanı başarımları bakımlarından zorunluluk halini almıştır. Bu yüzden gerek genel gerekse fMRI verisine özgü bir çok öznitelik seçim yöntemi çalışılmıştır. Şimdiye kadarki en iyi yöntemlerden biri de aktif olarak adlandırılan fMRI verisine özgü öznitelik seçim yöntemidir. Bu çalışmada genetik algortima öznitelik seçimi başarımının arttırılmasını sağlamak için aktif yöntemi ile birleştirilmiştir. Özel olarak, öncelikle aktif yöntem kullanılarak öznitelik boyutunu azaltıp, sonra bu indirgenmiş uzayda genetik algoritma kullanılarak diğerlerinden daha çok bilgi taşıyan öznitelikler aranmıştır. Bu yöntem yardımıyla aktif yöntemi ile benzer başarı seviyesi, aktif yöntemin sunduğundan çok daha az sayıda voxel kullanılarak, sağlanabilmiştir.

Recent research has shown that it is possible to classify cognitive states of human subjects based on fMRI (functional magnetic resonance imaging) data. One of the obstacles in classifying fMRI data is the problem of high dimensionality. A single fMRI snapshot consists of thousands of voxels and since a single experiment contains many fMRI snapshots, the dimensionality of an fMRI data instance easily surpasses the order of tens of thousands. So, feature selection methods become a must from both classification and running time performance points of view. To this end several feature selection methods are studied, either general or specific to fMRI data. So far, one of the best such methods, which is specific to fMRI data, is called the ?active? method. In this work we combine genetic algorithms with the active method in order to improve the performance of feature selection. Specifically, we first reduce the feature dimension using the active method and search for informative features in that reduced space using genetic algorithms. We achieve similar levels of classification performance using much less number of voxels than active method offers.