Recent research has shown that it is possible to classify cognitive states of human subjects
based on fMRI (functional magnetic resonance imaging) data. One of the obstacles
in classifying fMRI data is the problem of high dimensionality. A single fMRI snapshot
consists of thousands of voxels and since a single experiment contains many fMRI
snapshots, the dimensionality of an fMRI data instance easily surpasses the order of tens
of thousands. So, feature selection methods become a must from both classification and
running time performance points of view. To this end several feature selection methods
are studied, either general or specific to fMRI data. So far, one of the best such methods,
which is specific to fMRI data, is called the “active” method. In this work we combine
genetic algorithms with the active method in order to improve the performance of feature
selection. Specifically, we first reduce the feature dimension using the active method and
search for informative features in that reduced space using genetic algorithms. We achieve
similar levels of classification performance using much less number of voxels than active
method offers.
Son zamanlardaki araştırmalar insan deneklerin fMRI (fonksiyonel manyetik rezonans
görüntüleme) verisini kullanarak bilişsel hal ayırt etmenin mümkün olduğunu göstermiştir.
fMRI verisinin sınıflandırılmasını güçleştiren en büyük engellerden biri verinin yüksek
boyutlu ve seyrek olmasıdır. Tek bir fMRI enstantanesi binlerce voxel bulundurabilir ve
bir deney bir çok fMRI enstantanesi barındırdığından verinin boyutu kolaylıkla on binleri
geçebilir. Şu halde ¨öznitelik seçimi yöntemlerinin kullanılması hem sınıflandırma
hem de çalışma zamanı başarımları bakımlarından zorunluluk halini almıştır. Bu yüzden
gerek genel gerekse fMRI verisine özgü bir çok öznitelik seçim yöntemi çalışılmıştır.
Şimdiye kadarki en iyi yöntemlerden biri de “aktif” olarak adlandırılan fMRI verisine
özgü öznitelik seçim yöntemidir. Bu çalışmada genetik algortima öznitelik seçimi başarımının arttırılmasını sağlamak için aktif yöntemi ile birleştirilmiştir. Özel olarak, öncelikle
aktif yöntem kullanılarak öznitelik boyutunu azaltıp, sonra bu indirgenmiş uzayda genetik
algoritma kullanılarak diğerlerinden daha çok bilgi taşıyan öznitelikler aranmıştır. Bu
yöntem yardımıyla aktif yöntemi ile benzer başarı seviyesi, aktif yöntemin sunduğundan
çok daha az sayıda voxel kullanılarak, sağlanabilmiştir.
