روش يادگيري گروهي چند‌‌وجهي براي كدگشايي اشياء ديداري از دادگان fMRI مغزي

با توجه به گسترش روزافزون پژوهش‌هاي علوم شناختي، كدگشايي مغز انسان يك موضوع داغ در حوزه علوم عصب شناسي محاسباتي است. در اين راستا پژوهش‌هاي متعددي جهت ارائه روشي كارا و مؤثر براي كدگشايي فعاليت مغز انسان با پردازش دادگان fMRI در حال انجام است. خروجي اين روش ها به‌طورعمومي معطوف به ارائه يك مدل محاسباتي تعميم يافته است كه امكان تشخيص سيگنال مغزي و تعلق آن به عامل محرك (شيء ديداري) را ارائه مي دهد. دادگان مغزي داراي ابعاد زماني و فضايي زيادي هستند كه سبب افزايش تعداد ويژگي‌ها نيز مي‌شود. همچنين استخراج ويژگي هاي مفيد از تصاوير مغزي مانند fMRI كاري پيچيده است. اين امر سبب طولاني‌شدن عمل هم‌گرايي در الگوريتم هاي يادگيري براي ايجاد مدل مناسب مي‌شود؛ با توجه به چالش‌هاي يادشده، روش‌هاي يادگيري گروهي چندوجهي يك پيشنهاد مناسب براي حل مسأله كدگشايي مغز محسوب مي‌شود كه تلفيقي مناسب بين ويژگي هاي عملكردي متفاوت در دادگان مغزي ايجاد مي‌كند. در روش پيشنهادي داده‌هاي آموزشي بر اساس اطلاعات متقابل در فضاي ويژگي خوشه‌بندي مي‌شوند، به‌صورتي كه فضاي ويژگي به چند وجه تفكيك مي‌شود؛ سپس روي هر وجهِ ويژگي يك مدل ماشين بردار پشتيبان به‌صورت موازي آموزش داده مي‌شود. در مرحله آزمون، فضاي ويژگي دادگان آزمون نيز به‌صورت مشابه دادگان آموزش تقسيم مي‌شود؛ و هر بردار ويژگي به مدل مربوطه تخصيص داده خواهد شد. از هر مدل يك بردار احتمالاتي توليد مي‌شود و با هم‌جوشي اين بردارها ماتريس پروفايل تصميم‌گيري ساخته خواهد شد؛ درنهايت عملگرهاي وزن‌دار مرتب‌شده اعمال مي‌‌شود. جهت بررسي كارايي رويكرد پيشنهادي از رويكرد اعتبار سنجي متقابل با سناريوي درون فردي استفاده ‌شده است. معيارهايي مانند صحت و ماتريسِ درهم‌ريختگي براي ارزيابي مدل، به‌كار برده شده است. با بررسي عملكرد مدل بر روي هر وجه ويژگي، مي‌توان دقت دسته بندي با ميانگين بيش از 50% را به‌دست آورد؛ اما در مدل گروهي نظارتي متوسط صحت تشخيص به بيش از 90 درصد مي‌رسد.