ارزيابي كاهش فضاي ويژگي در انتخاب ويژگي در داده هاي fMRI براي بازشناخت الگوي دسته هاي معنايي در محرك هاي بينايي

در اين پژوهش، هدف بازشناخت و پيشگويي آنچه كه فرد مشاهده كرده با توجه به الگوي فعاليت واكسل هاي مغز آن فرد است. يافتن ارتباط معنادار ميان الگوهاي فعاليت نورون ها در مغز و ادراك رواني انسان يكي از مسائل و چالش هاي مهم در زمينه علوم اعصاب است. چالش اصلي در يافتن اين الگوهاي بزرگ بودن فضاي ويژگي به دليل وجود تعداد زيد واكسل هاي مغز نسبت به تعداد بسيار كم نمونه ها (محرك هاي مشاهده شده توسط فرد) است. در اين مقاله به بررسي اثر كاهش بعد فضاي ويژگي به كمك معيار اطلاعات متقابل (mutual information) و تاثير آن بر روي نتايج حاصل از دسته بندي كننده هاي متفاوت پرداخته ايم. براي پياده سازي از داده هاي تهيه شده در دانشگاه كارنگي ملون مدلي ارائه شده، سپس با به كارگيري الگوريتم هاي دسته بندي كننده: ماشين بردار پشتيبان، لاجستيك رگرسيون و نايو بيز به بازشناخت الگوهاي فعاليت واكسل ها هنگام مشاهده تصوير - كلمه ها پرداخته ايم. نتايج نشان داده اند كه به كارگيري معيار اطلاعات متقابل براي كاهش فضاي ويژگي، افزايش معنادار دقت دسته بندي كننده ها را در پي داشته است