خلاصه خبر: بازشناسی اشیاء دیداری مغز انسان مبتنی بر یادگیری گروهی از دادگان چند وجهی

• عنوان: بازشناسی اشیاء دیداری مغز انسان مبتنی بر یادگیری گروهی از دادگان چند وجهی
• ارائه‌کننده: اسامه حورانی
• استاد راهنما: دکتر نصر اله مقدم چرکری
• استاد راهنمای دوم: دکتر سعید جلیلی
• استاد ناظر داخلی اول: دکتر فؤاد قادری
• استاد ناظر داخلی دوم: دکتر مهدی رعایائی
• استاد ناظر خارجی اول: دکتر رضا ابراهیمی پور (دانشگاه: شهید رجائی )،
• استاد ناظر خارجی دوم: دکتر حمید بیگی (دانشگاه: صنعتی شریف)
• مکان: : اتاق شورا دانشکده برق و کامپیوتر
• تاریخ: T98/06/31EXT
• ساعت: 16:00

چکیده: با توجه به گسترش روزافزون تحقیقات علوم شناختی، مغز خوانی یا کدگشایی مغز انسان یکی از بزرگ‌ترین چالش‎ها در حوزه علوم عصب‎شناسی محاسباتی است. پژوهشگران در این زمینه تلاش می‎کنند که یک روش کارا و مؤثر براي کدگشایی فعالیت مغز انسان با پردازش دادگان fMRI مغزي ارائه دهند. خروجی این روش‎ها یک مدل محاسباتی تعمیم‎یافته است که امکان تشخیص سیگنال مغزی و اختصاص آن به محرک (شیء دیداری) را ارائه می‎دهد. دادگان مغزي ابعاد زمانی و فضایی زیادی دارند که سبب افزایش تعداد ویژگی‌ها می‎گردد. همچنین انتخاب ویژگی‎های مفید از دادگان مغزی مانند fMRI کاری پیچیده است. این امر سبب طولانی شدن فرآیند همگرایی در الگوریتم‎های یادگیری برای ایجاد مدل مناسب می‌شود؛ با توجه به چالش‌های ذکرشده، سه رویکرد برای کدگشایی اشیاء دیداری از دادگان مغزی ارائه دادیم. روش اول مبتنی بر یادگیری با نظارت با تاکید بر انتخاب وکسل های حاوی اطلاعات است. این روش معیار اطلاعات متقابل به صورت مناسب برای رتبه دهی وکسل‎ها بکار برد. دو روش‌ بعدی مبتنی بر یادگیري گروهی چندوجهی است. این روش‎ها، تلفیقی مناسب بین ویژگی‎های عملکردی متفاوت در دادگان مغزی ایجاد می‌کنند. روند یادگیری به صورت با نظارت و نیمه نظارتی می‎باشد. داده‌های آموزشی بر اساس یک معیاری، طبیعی یا مصنوعی، بخش بندی می‌شوند. به صورتی که فضای ویژگی به چند وجه تفکیک می‌شود. سپس روی هر وجهِ ویژگی به‌صورت موازی یک مدل ماشین بردار پشتیبان یاد گرفته می‌شود. در مرحله آزمون، فضای ویژگی داده‎های آزمون نیز به‌صورت مشابه داده‎های آموزش بخش‎بندی می‌شود؛ و هر بردار ویژگی به مدل مربوطه تخصیص داده خواهد شد. از هر مدل یک بردار احتمالاتی تولید می‌شود و با همجوشی این بردارها، ماتریس پروفایل تصمیم‌گیری ساخته می‎شود؛ درنهایت عملگرهای وزن‌دار مرتب‌شده OWA روی ماتریس پروفایل تصمیم گیری ساخته شده، اعمال می‌گردد. الگوریتم یادگیری نیمه نظارتی مشارکتی به صورت افزایشی دسته بندهای پایه را می سازد. جهت بررسی کارایی روش‎های پیشنهادی در سناریوهای درون فردی و بین فردی مورد آزمایش قرار دادیم. معیارهایی مانند دقت تشخیص و ماتریسِ آشفتگی برای ارزیابی مدل بکار برده شده است. به عنوان مثال، در مدل گروهی در حالت بین فردی براي مجموعه داده DS105، صحت تشخیص دسته بندهای پایه در بازه (20-73) درصد قرار می‎گیرد؛ اما دقت تشخیص نهایی مدل گروهی به 90 درصد می‌رسد. و این نشان می دهد که مدل های گوناگون و مکمل همدیگر کارایی مناسب در حوزه کدگشایی اشیاء دیداری نشان می دهند.
کلمات کلیدی: یادگیری گروهی، یادگیری نیمه نظارتی، همجوشی در سطح تصمیم، تصاویر fMRI، بخش بندی فضای ویژگی، عملگرهای وزن‌دار OWA