Dissertação
{en=Automatic Classification of Cognitive States} {} EVALUATED
{pt=A imagem por ressonância magnética funcional é hoje em dia uma das mais poderosas ferramentas para medir actividade cerebral induzida por um estado cognitivo ou percepção. O problema inverso é abordado neste estudo; dada uma medida da actividade cerebral prever o estado cognitivo que a originou. Para resolver este problema foram utilizadas técnicas de aprendizagem automática. A análise de dados de fMRI é um grande desafio para a aprendizagem automática; pelo seu baixo sinal ruído, elevada dimensionalidade, diminuto número de exemplos e elevada variabilidade inter-pessoal. Para abordar o problema proposto foram testados vários métodos de classificação e de selecção de características. O principal critério de selecção foi a Informação Mútua numa abordagem univariada, mas também foram testados métodos multi-variados para a selecção de características. Ambos classificadores únicos, como conjunto de classificadores foram testados. Para a combinação de classificadores o método consistiu em treinar um classificador optimizado para cada estímulo. Os dados analisados foram obtidos de três experiências de estimulação visual em estudos multi-indivíduo obtidos a diferentes campos magnéticos, cada uma com quatro classes de estímulos. Em geral a combinação de classificadores suplanta o classificador único nos diversos conjuntos de dados e métodos de selecção de características analisados. Os resultados sugerem que uma combinação de classificadores pode apresentar vantagens em relação ao classificador único especialmente quando os estímulos estão ligados a zonas cerebrais específicas., en=Functional Magnetic Resonance Imaging has established itself as the most powerful technique available today to measure brain activity induced by a perceptual or cognitive state. The inverse problem is considered in this study; given the measured brain activity, our goal is to predict the perceptual state. Machine Learning algorithms were used to address this problem in this work. Multi-subject fMRI data analysis poses a great challenge for the machine learning paradigm, by its characteristics: the low Signal to Noise Ratio (SNR), high dimensionality, small number of examples and inter-subject variability. To address this problem, several methods of classification and feature selection were tested. The main criterion of feature selection was mutual information in a univariate method, but a multivariate feature selection was also proposed. Both a single classifier and an ensemble of classifiers were tested. The ensemble of classifiers approach consisted on training an optimized classifier for each class and then the combination was made. The data analysed was obtained from three multi-subject experiments of visual stimulation with 4 classes of stimuli, at different magnetic field strengths. The ensemble of classifiers performs best for most data sets and methods of feature selection. The multivariate method does not show overall improvement in the classification. In summary, the results suggest that a combination of classifiers can perform better than a single classifier, particularly when decoding stimuli associated with specific brain areas.}
novembro 18, 2010, 14:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
CO-ORIENTADOR
Maria Margarida Campos da Silveira
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar
