まばらな推定によりfMRI 活動パターンのデコードに関連したボクセルが自動的に選ばれる

pdf

Sparse estimation automatically selects voxels relevant
for the decoding of fMRI activity patterns

NeuroImage, Volume 42, Issue 4, 1 October 2008, Pages 1414{1429

近年の研究は,fMRI 活動パターンからタスクのパラメータを推定またはデコードするためにfMRI 活動パター
ンからデータを用いていた.fMRI デコードのため,多くの無関係なボクセルの存在が一般化しにくくする可能性
があるため,オーバーフィッティングとして知られている問題として,デコーダへのインプットとしてボクセル
(または特徴量)の適切なセットを選ぶことが重要である.一変量の統計に基づき,個々のボクセルは選ばれたが,
もしボクセルの間の相互関係が重要な情報を伝えるならば,ボクセルの結果として生じているセットは準最適であ
るかもしれない.本論文では,我々は新しいリニアの分類アルゴリズムをsparse logistic regression (SLR) と呼ぶ
ことにし,提案する.SLR は,識別のためのそれらの重量パラメータを評価する間,関連したボクセルを自動的
に選ぶ.シミュレーションデータを使うことによって,我々はSLR が無関係なボクセルを自動的に取り除く,す
なわち多くの無関係なボクセルの存在において他の方法より高い識別性能を達成できることを確認した.SLR は,
2 つの視覚実験から得られたfMRI ローデータにも効果的であると判明し,視覚野の対応した位置のボクセルをう
まく識別した.よりよいパターン分離を可能にするために,ボクセルの間の関係づけられていたノイズを利用す
ることによってSLR が選んだボクセルは,一変量の統計に基づいて選んだボクセルよりよい性能であった.我々
は,SLR はfMRI デコードの頑強な方法を提供し,また,ボクセル選択のための独立型のツールとして役立つか
もしれないと結論付ける.

Machine learning methods, Support vector machine, Classi ers, Visual cortex, Novel linear classi cation
algorithm

一被験者および複数被験者のfMRI データのSVM 分析への一時的なデータ圧縮および関心領域選択の影響

pdf

The impact of temporal compression and space selection
on SVM analysis of single-subject and multi-subject
fMRI data.

NeuroImage, Volume 33, Issue 4, October 2006, Pages 1055-1065

本研究では,我々はサポートベクターマシン(SVM) を使用して,fMRI データの1 人の被験者や多数の被験者
を識別する上で一時的な圧縮(多数の撮像を跨いだ平均) およびスペースの選択(つまり全脳からの「関心領域」の
選択) の影響を比較した.我々の目標は,無関係の分散の成分を抑えながら,タスクを保持するようにSVM を訓
練する前に適用することができる様々なデータ媒体変換を調査することである.データはブロックデザインを用
いた実験もデータである.不快画像(クラス1),快画像(クラス2),中性画像(クラス3)を提示した.多数の
被験者の分析において,「leave-one-subject-out」を用いた.つまり,各反復において我々は1 人の被験者以外のす
べてからのデータを使用して,SVM を訓練しクラス・ラベルを予測する際にその実行をテストした.1 人の被験
者の分析においては,「leave-one-block-out」を用いた.つまり,各被験者において,実験ブロックの条件あたり1
ブロックをランダムで選択し,残りのブロックのデータを使用してSVM を訓練した.結果,1 人の被験者内での
識別において,一時的な圧縮および関心領域選択の両方がSVM 精度を改善した.しかし,複数の被験者間での識
別においては,一時的な圧縮はSVM のパフォーマンスを改善したが,関心領域選択は効果がなかった.

Machine learning methods, Support vector machine, Classi ers, Functional magnetic resonance imaging dataanalysis

カノニカル相関を用いたfMRI データの教師なし分類処理

Unsupervised analysis of fMRI data using kernel canonical correlation
NeuroImage, Volume 37, Issue 4, October 2007, Pages 1250-1259

fMRIデータ分析で使用されるようになってきた教師あり学習法(例:サポートベクタマシン)のクラスと異なるカノニカル相関分析に基づいた,新しい教師なしfMRI分析法を紹介する.SVMは単純な特定の分類ラベルに撮像データの特徴を関連付けさせるが,KCCAはこれらの単純なラベルをその刺激の特徴の詳細を含んでいる各刺激のラベル・ベクトルに置換する.我々は,情動刺激に対する反応に関するfMRIデータセットを用いてKCCAとSVMの分析を比較した.最初にfMRIデータの部分集合上のアルゴリズム(SVM、KCCA)と,対応するラベル/ラベル・ベクトル(快と不快の)を訓練し,次にオリジナルのトレーニング過程に与えないでおいたデータ上のアルゴリズムをテストした.SVMとKCCAの識別率は,非常に類似した.しかし,この研究から生じる最も重要な結果は,KCCAは,タスクの分類において最も重要であるとSVMが識別した領域を抽出することができたことである.また,その領域は主に視覚野であった.KCCAの結果は明確なタスクラベルのブラインドを得た.代わりに,刺激の種類は撮像データの特徴のベクトルから有効に得られる.

Machine learning methods, Kernel canonical correlation analysis, Support vector machines, Classi ers, Functional magnetic resonance imaging data analysis

pdf