شماره کتابشناسی ملی
شماره
پ۲۷۴۶۵
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
آشکارسازی فعالیت مغز از روی داده‌های fMRI با استفاده از یادگیری ماشین
نام نخستين پديدآور
فرناز احمدی
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
مهندسی برق و کامپیوتر
تاریخ نشرو بخش و غیره
۱۴۰۰
مشخصات ظاهری
نام خاص و کميت اثر
۸۹ص.
مواد همراه اثر
سی دی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی پزشکی گرایش بیوالکتریک
زمان اعطا مدرک
۱۴۰۱/۰۴/۱۴
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
تصویربرداری تشدید مغناطیسی کارکردی (fMRI) فعالیت¬های مغز را به کمک تغییرات جریان خون ثبت خواهد کرد. از آنجایی که جریان خون مغز و فعالیت عصبی آن با هم مزدوج هستند، ساختارها، عملکرد، کارکرد اساسی و ناهنجاری¬های مغز به کمک این نوع تصویر برداری قابل شناسایی است. طبقه¬بندی ماشین بردار پشتیبان (SVM) یک از روش¬های مبتنی بر یادگیری ماشین موفق در این زمینه است. عملکرد بهینه طبقه بندها، مخصوصا طبقه¬بند ماشین بردار پشتیبان به ویژگی¬های ورودی به طبقه¬بند بستگی دارد. روش¬های انتخاب ویژگی در راستای بهبود عملکرد طبقه¬بندی می¬توانند موثر باشند. الگوریتم¬های فرااکتشافی یک راهکار برای انتخاب زیر-مجموعه بهینه از ویژگی¬های استخراج¬شده هستند. در روش پیشنهادی در این تحقیق، پس از استخراج ویژگی¬های مبتنی بر خانوداه آنتروپی و نیز ویژگی¬های آماری برای هر وکسل، از الگوریتم بهینه¬سازی ازدحام ذرات (PSO) برای انتخاب ویژگی استفاده شده است. استفاده از تابع هزینه مناسب در الگوریتم بهینه سازی (PSO) می¬تواند از قرارگیری در حداقل¬های محلی اجتناب کند. از این¬رو در این تحقیق یک تابع هدف دو متغیره تعریف شده است که بر اساس آن بهترین ویژگی¬ها انتخاب خواهد شد. ویژگی¬های انتخاب¬شده با تابع هدف دو متغیره به کمکPSO با کرنل¬های مختلف دسته¬بندی خواهد شد. انتخاب یک تابع هسته مناسب می¬تواند میزان تشخیص را بهبود دهد. نتایج به¬دست¬آمده نشان از برتری کرنل RBF در معیار حساسیت با مقدار 6/88 و دایس 1/90 در تشخیص فعالیت، برتری روش پیشنهادی را به نمایش گذاشته است.
متن يادداشت
Functional magnetic resonance imaging (fMRI) will record brain activity through changes in blood flow. Because the blood flow to the brain and its neural activity are conjugated, the structures, functions, basic functions, and abnormalities of the brain can be identified with this type of imaging. Supporting vector machine (SVM) classification is one of the methods based on successful machine learning in this field. The optimal performance of the classifiers, especially the backup vector machine classifier, depends on the input characteristics of the classifier. Feature selection methods can be effective in improving category performance. Trans-heuristic algorithms are a way to select the optimal subset of extracted features. In the proposed method in this research, after extracting the entropy-based family properties as well as the statistical properties for each voxel, the Particle Swarm Optimization (PSO) algorithm is used to select the properties. Using the appropriate cost function in the optimization algorithm (PSO) can avoid local minima. Therefore, in this research, a two-variable objective function is defined, based on which the best properties will be selected. Selected properties will be categorized with different kernels using the PSO variable objective function. Choosing the right core function can improve detection. The obtained results show the superiority of the RBF kernel in the sensitivity criterion with the value of 88.6 and Dice 90.1 in the detection of activity, showing the superiority of the proposed method.
عنوانهای گونه گون دیگر
عنوان گونه گون
Brain Activation Detection from fMRI Data by Machine Learning
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
عنصر شناسه اي
احمدی،
ساير عناصر نام
فرناز
کد نقش
تهیه کننده
نام شخص - ( مسئولیت معنوی درجه دوم )
عنصر شناسه اي
مشگینی،
عنصر شناسه اي
ماکویی،
ساير عناصر نام
سعید
ساير عناصر نام
سمیه
تاريخ
استاد راهنما
تاريخ
استاد مشاور
شناسه افزوده (تنالگان)
عنصر شناسه اي
تبریز
