جلسه دفاع از رساله: آقای اسامه حورانی، گروه مهندسی مخابرات
خلاصه خبر: بازشناسی اشیاء دیداری مغز انسان مبتنی بر یادگیری گروهی از دادگان چند وجهی
چکیده: با توجه به گسترش روزافزون تحقیقات علوم شناختی، مغز خوانی یا کدگشایی مغز انسان یکی از بزرگترین چالشها در حوزه علوم عصبشناسی محاسباتی است. پژوهشگران در این زمینه تلاش میکنند که یک روش کارا و مؤثر براي کدگشایی فعالیت مغز انسان با پردازش دادگان fMRI مغزي ارائه دهند. خروجی این روشها یک مدل محاسباتی تعمیمیافته است که امکان تشخیص سیگنال مغزی و اختصاص آن به محرک (شیء دیداری) را ارائه میدهد. دادگان مغزي ابعاد زمانی و فضایی زیادی دارند که سبب افزایش تعداد ویژگیها میگردد. همچنین انتخاب ویژگیهای مفید از دادگان مغزی مانند fMRI کاری پیچیده است. این امر سبب طولانی شدن فرآیند همگرایی در الگوریتمهای یادگیری برای ایجاد مدل مناسب میشود؛ با توجه به چالشهای ذکرشده، سه رویکرد برای کدگشایی اشیاء دیداری از دادگان مغزی ارائه دادیم. روش اول مبتنی بر یادگیری با نظارت با تاکید بر انتخاب وکسل های حاوی اطلاعات است. این روش معیار اطلاعات متقابل به صورت مناسب برای رتبه دهی وکسلها بکار برد. دو روش بعدی مبتنی بر یادگیري گروهی چندوجهی است. این روشها، تلفیقی مناسب بین ویژگیهای عملکردی متفاوت در دادگان مغزی ایجاد میکنند. روند یادگیری به صورت با نظارت و نیمه نظارتی میباشد. دادههای آموزشی بر اساس یک معیاری، طبیعی یا مصنوعی، بخش بندی میشوند. به صورتی که فضای ویژگی به چند وجه تفکیک میشود. سپس روی هر وجهِ ویژگی بهصورت موازی یک مدل ماشین بردار پشتیبان یاد گرفته میشود. در مرحله آزمون، فضای ویژگی دادههای آزمون نیز بهصورت مشابه دادههای آموزش بخشبندی میشود؛ و هر بردار ویژگی به مدل مربوطه تخصیص داده خواهد شد. از هر مدل یک بردار احتمالاتی تولید میشود و با همجوشی این بردارها، ماتریس پروفایل تصمیمگیری ساخته میشود؛ درنهایت عملگرهای وزندار مرتبشده OWA روی ماتریس پروفایل تصمیم گیری ساخته شده، اعمال میگردد. الگوریتم یادگیری نیمه نظارتی مشارکتی به صورت افزایشی دسته بندهای پایه را می سازد. جهت بررسی کارایی روشهای پیشنهادی در سناریوهای درون فردی و بین فردی مورد آزمایش قرار دادیم. معیارهایی مانند دقت تشخیص و ماتریسِ آشفتگی برای ارزیابی مدل بکار برده شده است. به عنوان مثال، در مدل گروهی در حالت بین فردی براي مجموعه داده DS105، صحت تشخیص دسته بندهای پایه در بازه (20-73) درصد قرار میگیرد؛ اما دقت تشخیص نهایی مدل گروهی به 90 درصد میرسد. و این نشان می دهد که مدل های گوناگون و مکمل همدیگر کارایی مناسب در حوزه کدگشایی اشیاء دیداری نشان می دهند. 27 آبان 1398 / تعداد نمایش : 1482
|