بکارگیری کاهش ابعاد در تصاویر fMRI بر اساس الگوریتم فراابتکاری جهت تشخیص اوتیسم

اختلال طیف اوتیسم (ASD) یک اختلال روانی است و مهارت های کلامی و تعاملات اجتماعی فرد را تحت تاثیر قرار می دهد. با تولید تصاویر تشدید مغناطیسی کارکردی(fMRI)  و پیشرفت ابزارهای پردازشی آن ها، استفاده از این تصاویر در شناسایی و بررسی عملکرد مغز افراد اوتیستیک بسیار مورد توجه قرار گرفت. البته، در این رویکرد فضای ویژگی بر مبنای ماتریس ارتباط عملکردی دارای ابعاد بسیار است. برخی از این ویژگی ها وابسته، غیر ضروری و اضافی هستند که کیفیت تشخیص را کاهش داده و حجم محاسبات را افزایش می دهد. از این رو با توجه به ابعاد بالای فضای جستجو، الگوریتم بهینه سازی توده ذرات (PSO) به عنوان یکی از ابزارهای قدرتمند جستجوی فراابتکاری در انتخاب ویژگی های بهینه بکار گرفته شده است.

به منظور ارزیابی قابلیت روش پیشنهادی، از الگوریتم آنالیز مولفه های اصلی (PCA) به عنوان یک روش کاهش بعد استاندارد استفاده می شود. در پژوهش حاضر، از طبقه بندی کننده ماشین های بردار پشتیبان (SVM) در تشخیص افراد اوتیستیک و سالم بر روی داده های پایگاه ABIDE استفاده شد. ضرایب ماتریس ازتباط عملکردی منجر به تولید فضای ویژگی با 6670 بعد می شود.

دقت طبقه بندی کننده SVM در این فضای ویژگی 56 درصد است. بکارگیری الگوریتم بهینه سازی توده ذرات با حذف 3442 ویژگی، دقت طبقه بندی را تا 19/62 درصد افزایش داد که در مقایسه با الگوریتم آنالیز مولفه های اصلی عملکرد بهتری دارد. نتایج کاهش ابعاد فضای ویژگی نشان می دهد که این الگوریتم فراابتکاری با حذف تقریبا نیمی از ویژگی ها منجر به افزایش 6 درصد صحت طبقه بندی می شود.

نتایج حاکی از توانایی الگوریتم ماشین های بردار پشتیبان در مقایسه با جنگل های تصادفی و نزدیک ترین K همسایگی می باشد. الگوریتم PSO به منظور کاهش بعد فضای داده ورودی استفاده شد.