Resumen

Las técnicas de clasificación multivariante se han aplicado ampliamente para decodificar los estados cerebrales mediante imágenes de resonancia magnética funcional (fMRI). Debido a las variabilidades de los datos de fMRI y a la limitación de la recopilación de datos de fMRI humanos, no es fácil entrenar un clasificador de aprendizaje supervisado eficiente y robusto para los datos de fMRI. Entre varias técnicas de clasificación, el clasificador de representación dispersa (SRC) muestra un rendimiento de clasificación de vanguardia en la clasificación de imágenes. Sin embargo, el SRC rara vez se ha aplicado a la decodificación basada en fMRI. El objetivo de este estudio es mejorar el SRC utilizando muestras de prueba no etiquetadas para permitir su aplicación efectiva a la decodificación basada en fMRI. Propusimos un método SRC de aprendizaje semisupervisado con un coeficiente medio (semiSRC-AVE) que realizaba la clasificación utilizando el coeficiente medio de cada clase en lugar del error de reconstrucción y actualizaba selectivamente el conjunto de datos de entrenamiento utilizando nuevos datos de prueba con alta confianza para mejorar el rendimiento de SRC. Se llevaron a cabo experimentos de RMf simulada y real para investigar la viabilidad y la solidez de semiSRC-AVE. Los resultados de los experimentos fMRI simulados y reales mostraron que semiSRC-AVE superó significativamente el método de aprendizaje supervisado SRC con un coeficiente medio (SRC-AVE) y mostró un mejor rendimiento que los otros tres métodos de aprendizaje semisupervisado.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:coeficiente medio, src, decodificación basada, robustez del semisrc, rendimiento del src, rendimiento de la clasificación artística, varias técnicas de clasificación, clasificador de representación dispersa, nuevos datos de prueba, muestra de prueba sin etiquetar
• Keywords:average coefficient, src, based decoding, robustness of semisrc, performance of src, art classification performance, various classification techniques, sparse representation classifier, new testing data, unlabeled testing sample