GraphVar 2.0:機能的ネットワーク特徴量による機械学習用のユーザーフレンドリなツールボックス

GraphVar 2.0: A user-friendly toolbox for machine learning on functional connectivity measures L. Waller, A. Brovkin, L. Dorfschmidt,D. Bzdok,H. Walter,J.D. Kruschwitz
Journal of Neuroscience Methods, Volume 308:, Pages 21-33,1 October 2018

“背景:
我々はこれまでGraphVarを脳機能ネットワーク解析の包括的なグラフ理論解析のための使いやすいMATLABツールボックスとして提示した.ここでは,ツールボックスの包括的な拡張機能を紹介する.これにより,ユーザーは機能的な接続方法や追加機能を介して、簡単にカスタマイズ可能なデコードモデルをシームレスに探索できる.
新たな手法 :
GraphVar 2.0 は機械学習モデル構築,検証,探索を提供する.
機械学習はグラフ理論特徴量と追加変数の任意の組み合わせを使用して実行することができ,ニューロイメージングに柔軟性をもたらす.
結果:
高速一般線形モデル(general linear model : GLM)による脳機能ネットワークの構築やグラフ理論的解析などの以前に統合された機能に加えて,ユーザはconnectivity matrices,graph measuresおよびインポートされた追加変数にわたってカスタマイズ可能な機械学習を実行できるようになった.
新しい拡張機能は,分類と回帰の性能におけるパラメトリック,ノンパラメトリックなテスト,データのエクスポート,図の生成と高品質のエクスポートも提供する.
既存手法との比較:
GraphVar 2.0は,他の既存のツールボックスと比較して,
(1)包括的なカスタマイズ,(2)オールインワンのユーザーフレンドリーなインターフェイス,(3)カスタマイズ可能なモデルデザインおよび手動のハイパーパラメータの入力(4)インタラクティブな結果の探索とデータのエクスポート (5)同じセッション内で複数の結果変数をモデリングするための自動キューシステム,(6)簡単な入門説明書に従う.
結論:
GraphVar 2.0は,機能的ネットワーク解析に基づいた測定法でのエンコード(GLM)およびデコード(ML)モデリングアプローチの包括的で使いやすい探索を可能にし,神経科学のビッグデータをより広範囲のニューロイメージング研究者に容易に扱うことができるようにする.

機能的結合性を用いた機能的核磁気共鳴画像による画像分類

Image categorization from functional magnetic resonance imaging using functional connectivity
ChunyuLiu, SutaoSong, Xiaojuan Guo, Zhiyuan Zhu, Jiacai Zhang
Journal of Neuroscience Methods, Volume 309, Pages 146-158, 1 November 2018

“先行研究では,画像閲覧中に記録された機能的核磁気共鳴画像(fMRI)データからの刺激画像内の物体のカテゴリを推測しようと試みた.多くの研究は,所与の領域内または複数のボクセルにわたる活動パターンを抽出し,ボクセル間の関係を利用して刺激画像のカテゴリを解読することに焦点を当てている.しかし,画像カテゴリに応じた関心領域にわたる機能的結合性(FC)パターン,およびカテゴリ分類への潜在的な寄与はほとんど知られていない.

健康な成人ボランティアでfMRIを用いた4つの画像カテゴリ刺激(ネコ,顔,住居,車両)に対応した全脳FCパターンを機械学習フレームワーク(Support Vector Machine [SVM]とランダムフォレスト)を用いて調査した .我々はさらに,FCのロバスト性と,ニューラル復号のためのFCパターンに対するウィンドウ長の影響を調べた.

2つの分類モデルの平均1対1分類精度は,被験者内で74%,被験者間で80%であり,チャンスレベル(50%)より高かった.ランダムフォレストの結果はSVMの結果より優れており,48秒のFC結果は24秒のFC結果よりも優れていた.

我々は,FCパターンの分類性能を,ブロック間およびブロック内の2つの他の既存の方法と時間的な情報を重複させずに比較した.

異なるウィンドウ長(24および48秒)の全脳FCパターンは,画像カテゴリを高い精度で予測することができる.これらの結果は,人間の脳における大規模なFCパターンにおけるカテゴリー情報の表現の根底にある新しいメカニズムを明らかにしている.

多重スケール特徴量統合のためのショートカットを備えた深層3 次元畳み込みエンコーダネットワークの多発 性硬化症病変セグメンテーション

Deep 3D Convolutional Encoder Networks With Shortcuts for Multiscale Feature Integration Applied to Multiple Sclerosis Lesion Segmentation
IEEE transactions on medical imaging, vol. 35, no.5, pp. 1229-1239, 2016
20171007_ttamaki

我々は,ショートカット接続を有する深層3 次元畳み込みエンコーダーネットワークに基づく新規のセグメンテーション手法を提案し,それを磁気共鳴画像における多発性硬化症(MS)病変のセグメント化に適用する.我々のモデルは,2 つの相互接続された経路,すなわち,より抽象的で高レベルの画像特徴を学習する畳み込み経路と,ボクセルレベルでの最終的なセグメンテーションを予測するデコンボリューション経路とからなるニューラルネットワークである.特徴抽出および予測経路の共同訓練は,画像タイプおよびセグメンテーションタスクの任意の所与の組み合わせに対する精度のために最適化された異なるスケールでの特徴の自動学習を可能にする.さらに,2 つの経路間のショートカット接続により,高レベルと低レベルのフィーチャを統合することができ,広範囲のサイズにわたる病変のセグメンテーションが可能となる.2 つの公的に利用可能なデータセット(MICCAI 2008 およびISBI 2015 チャレンジ)について我々の方法を評価した結果,我々の手法は,トレーニングに利用可能な比較的小規模のデータのみであってもトップランクの最先端の方法と同等に機能することが示された.さらに,本手法を,MS 臨床試験からの大量のデータセットを使って,自由に入手可能で広く使用されている5 つのMS 病変セグメンテーション法(EMS、LST-LPA、LST-LGA、Lesion-TOADS およびSLS)と比較した.その結果は我々の手法が広範囲の病変サイズにわたってこれらの他の手法より一貫して優れていることを示している.

機械学習を用いた視線追跡データのイベント検出

Using machine learning to detect events in eye-tracking data
Behavior Research Methods, pp1–22, 2017

イベント検出は、眼球運動データ解析の難しい段階である.現在のイベント検出方法の主な欠点として,目の動きデータの質に基づいてパラメータを調整しなければならないことが挙げられる.
本実験では,注視,サッカード,またはその他の眼球運動イベントに属する生の視線サンプルの完全自動化された分類を,機械学習アプローチを用いて達成できることを示す.既に手作業またはアルゴリズムで検出された事象は,ユーザがパラメータを設定する必要なしに,他のデータの同様の分類を生成するように分類器を訓練するために使用することが可能である.本研究では,注視,サッカード,およびサッカード後の振動(PSO)の検出のためのランダム森林機械学習技術の適用を検討する.目の動き分類アルゴリズムを用いるアプリケーションに提案された方法の実用性を示すために,この方法を眼球運動駆動のバイオメトリックアプリケーションに用いる例を提供する.我々は,機械学習技術が現在の最先端の事象検出アルゴリズムと比較して優れた検出をもたらし,手作業コーディングの性能に達することができると結論付けた.

脳波を用いた感情認識のための特徴抽出と選択

Feature Extraction and Selection for Emotion
Recognition from EEG
IEEE Transactions on Affective Computing, Vol.5, No.3, pp.327-339, 2014
20170510_hwada

EEG 信号からの感情認識は,人間と機械との相互作用における重要な要素と考えられるユーザーの内部状態を
直接評価することを可能とする.特徴抽出のために多くの方法が研究されており,神経科学的知見に基づいた適切
な特徴と電極位置の選択が行われている.しかし,感情認識に対する適合性は,少量の別個の特徴セットやデー
タセットを用いて評価されている.大きな制約として機能の系統的な比較がないことが挙げられる.そこで,我々
は33 の研究に基づいて,脳波から感情認識のための特徴抽出法を検討する.自己記録データセット上の特徴選択
のための機械学習技術を用いて,これらの特徴を比較する評価を行う.結果は,異なる特徴選択の実行,選択され
た特徴量,および電極位置の選択に関して掲示した.多変量法により選択された特徴は,単変量法よりわずかに
優れていた.高度な特徴抽出技術は,一般的に使用されるスペクトルパワーバンドよりも利点を有することが分
かった.結果は頭頂葉および,中心から頭頂葉の上の位置を優先することを示唆した.

特徴選択のための進化的計算手法の調査

A Survey on Evolutionary Computation Approaches to Feature Selection
IEEE Transactions on Evolutionary Computation, Vol.20, No.4, pp.606-626, 2016
20170424harada

特徴選択は,データの次元を減らし,分類アルゴリズムといったアルゴリズムの性能を向上させるために,データマイニングおよび機械学習において重要な課題である.
しかし,特徴選択は主に探索空間が膨大なために困難な課題である.
特徴選択問題を解決するために,様々な方法が適用されている.
そのうち近年では,進化的計算技術が注目され,成功を収めている.
しかし,代替手法の長所と短所に関する包括的なガイドラインは存在しない.
これは分離・断片化された分野に対して,最終的に性能を改善しアプリケーションの成功させる機会の損失につながる.
本稿では,特徴選択のための進化的計算技術に関する最先端の内容について包括的に述べ,様々なアルゴリズムの貢献を特定する.