بكارگيري كاهش ابعاد در تصاوير fMRI بر اساس الگوريتم فراابتكاري جهت تشخيص اوتيسم

مقدمه: اختلال طيف اوتيسم (ASD) يك اختلال رواني است و مهارت‌هاي كلامي و تعاملات اجتماعي فرد را تحت تاثير قرار مي‌دهد. با توليد تصاوير تشديد مغناطيسي كاركردي(fMRI) و پيشرفت ابزارهاي پردازشي آن‌ها، استفاده از اين تصاوير در شناسايي و بررسي عملكرد مغز افراد اوتيستيك بسيار مورد توجه قرار گرفت. البته، در اين رويكرد فضاي ويژگي بر مبناي ماتريس ارتباط عملكردي داراي ابعاد بسيار است. برخي از اين ويژگي‌ها وابسته، غير ضروري و اضافي هستند كه كيفيت تشخيص را كاهش داده و حجم محاسبات را افزايش مي‌دهد. از اين رو با توجه به ابعاد بالاي فضاي جستجو، الگوريتم بهينه‌سازي توده ذرات (PSO) به‌عنوان يكي از ابزارهاي قدرتمند جستجوي فراابتكاري در انتخاب ويژگي‌هاي بهينه بكار گرفته شده است. مواد و روش‌ها: به منظور ارزيابي قابليت روش پيشنهادي، از الگوريتم آناليز مولفه‌هاي اصلي (PCA) به‌عنوان يك روش كاهش بعد استاندارد استفاده مي‌شود. در پژوهش حاضر، از طبقه‌بندي كننده ماشين‌هاي بردار پشتيبان (SVM) در تشخيص افراد اوتيستيك و سالم بر روي داده‌هاي پايگاه ABIDE استفاده شد. ضرايب ماتريس ازتباط عملكردي منجر به توليد فضاي ويژگي با 6670 بعد مي‌شود. يافته‌ها: دقت طبقه‌بندي كننده SVM در اين فضاي ويژگي 56 درصد است. بكارگيري الگوريتم بهينه‌سازي توده ذرات با حذف 3442 ويژگي، دقت طبقه‌بندي را تا 62.19 درصد افزايش داد كه در مقايسه با الگوريتم آناليز مولفه‌هاي اصلي عملكرد بهتري دارد. نتايج كاهش ابعاد فضاي ويژگي نشان مي‌دهد كه اين الگوريتم فراابتكاري با حذف تقريباً نيمي از ويژگي‌ها منجر به افزايش 6 درصد صحت طبقه‌بندي مي‌شود. نتيجه‌گيري: نتايج حاكي از توانايي الگوريتم ماشين‌هاي بردار پشتيبان در مقايسه با جنگل‌هاي تصادفي و نزديك‌ترين K همسايگي مي‌باشد. الگوريتم PSO به منظور كاهش بعد فضاي داده ورودي استفاده شد.