عنوان پایان‌نامه
کد گشایی مغز با استفاده از تصاویر تشدید مغناطیسی کارکردی بوسیله توصیفگر های حوزه مکان
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2793;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 70641
- تاریخ دفاع
- ۱۰ شهریور ۱۳۹۴
- دانشجو
- فرشاد رفیعی
- استاد راهنما
- غلامعلی حسین زاده دهکردی
- چکیده
- یک رویکرد جدید و مؤثر برای نگاشت الگوی فعالیت مغزی به وضعیت ذهنی فرد و همچنین کدگشایی مغز در داده های تصویربرداری تشدید مغناطیسی کارکردی (fMRI)، به کارگیری تکنیک های بازشناخت الگو بر روی الگوهای مکانی توزیع شده فعالیت مغز است. در این پروژه با استخراج سه دسته توصیفگر الگوی مکانی فعالیت در نواحی مورد نظر و اعمال هریک از این دسته ویژگی ها به دسته بندی کننده به مطالعه و متمایزسازی گروه تحریک ها برای افراد شرکت کننده در آزمایش می پردازیم. ویژگی های اول پیشنهادی، شامل پنج ویژگی مکانی بر پایه ممان های نامتغیر سهبعدی می باشد که هر کدام از این پنج ویژگی خواصی از ناحیه مورد نظر را توصیف می کند. بردار ویژگی های دوم نیز بر پایه کره های هم مرکز بدست می آیند که برداری نرمالیزه را از توصیف فعالیت ناحیه در جهت شعاعی تشکیل می دهند. دسته ویژگی پیشنهادی سوم، شامل هارمونیک های کروی می باشد که توصیفی از ناحیه مورد نظر برای بازسازی ناحیه در فضای فوریه می باشد. از دسته بندی کننده SVM برای طبقه بندی کلاس ها استفاده شده است و در ادامه از رویکرد لفاف (wrapper) با انتخاب ترتیبی عقب رونده هیبریدی برای انتخاب زیرمجموعه ویژگی بهینه بهره جسته ایم. در پایان نیز روش های بکار گرفته شده برای کدگشایی مغز در این مطالعه، با روش های بر اساس آنالیز الگوی چند واکسلی (MVPA) مقایسه شده است. داده مورد مطالعه، تصاویر تشدید مغناطیسی کارکردی حاصل از تحریک های مربوط به حالت های چهره (حالت های شادی، ناراحتی، خشم، تعجبی و حالت طبیعی چهره) می باشد که از سه نفر داوطلب بزرگسال (دو زن و یک مرد) در سه جلسه تصویربرداری با یک اسکنر سه تسلا اخذ گردید. در پایان با استفاده از روش های مذکور به نتایج مطلوبی (دقت بالای 80 درصد) برای کدگشایی حالت های مغزی حاصل از تحریک بکار برده شده رسیدیم.
- Abstract
- Recent studies have demonstrated that spatial patterns of functional magnetic resonance imaging (fMRI) activity in the brain may be used to classify different groups or different mental states for brain decoding issues. In the current research, we have proposed three feature vectors which can effectively characterize the spatial patterns of activity in the brain regions of interest (ROIs). The former consists of five three-dimensional invariant spatial moment descriptors (3-DMIs) in the ROIs. Second one is a normalized k-dimensional vector based on concentric spheres, characterizing the spatial patterns of the ROIs in the radial direction. The latter is features based on spherical harmonics which characterize the ROIs in the radial direction and provide a unique representation of any ROI’s functional data. Support vector machines (SVMs) are applied to the extracted descriptors of each ROI for each subject, to discriminate the studied conditions. To improve the results we used hybrid sequential floating backward feature selection along with SVMs. Experimental fMRI data set have been analyzed by applying the proposed approach. In this experiment, three subjects in three imaging sessions were exposed to facial expression (neutral faces, happy faces, sad faces, angry faces and surprised faces) stimulations and data were acquired. By applying the proposed methods to acquired data, we were able to separate the facial expressions with classification accuracy of higher than 80%. At last our methods were compared to the simple multi-voxel pattern analyses (MVPA) method that is based on using voxels instead on features.
