Classification Approaches in Neuroscience: A Geometrical Point of View

Le immagini da risonanza magnetica funzionale (functional magnetic resonance image - fMRI) sono immagini di scansioni cerebrali effettuate tramite la macchina MRI prese come funzione del tempo. Negli ultimi anni sta crescendo l'interesse sull'analisi di queste immagini, o meglio dei dati da loro estratti. L'obiettivo di questo tipo di analisi, applicabile in molti ambiti diversi, è quello di stimare e prevedere i comportamenti e le azioni delle persone a partire dai loro pattern cerebrali. Il nostro lavoro si basa sulla classificazione e previsione dei dati fMRI e sullo sviluppo di nuove tecniche che non sono mai state applicate a questi problemi di classificazione. La validazione delle tecniche proposte è stata effettuata tramite il confronto degli errori di misclassificazione su dati fMRI provenienti da studi reali. Inoltre, vengono forniti i codici di lettura dalle immagini fMRI ed quelli per applicare le tecniche di classificazione proposte per la manipolazione dei dati fMRI. In futuro i codici potranno essere organizzati per la creazione di un pacchetto R. L'interesse nell'analisi di dati funzionali che utilizzano la geometria riemanniana è in costante crescita. Un prototipo di questi dati consiste nei dati funzionali generati dal segnale EEG nell'interfaccia Brain-Computer (BCI), la quale traduce i segnali cerebrali ai comandi nella macchina. Il BCI può essere utilizzato da persone con inabilità fisiche e problemi motori o persino, con crescente interesse, nell'ambito dei video giochi. A questo scopo, abbiamo proposto uno studio di classificazione dei segnali EEG i cui dati sono raccolti in matrici. Abbiamo sviluppato un algoritmo moltiplicativo (MPM) veloce ed efficiente nel calcolare le medie di potenza di matrici, punto cruciale dei metodi proposti per la classificazione. In alcuni studi di simulazione abbiamo esaminato le performance del MPM rispetto a quelle di algoritmi già esistenti. Abbiamo inoltre comparato il coportamento di diverse medie di potenza in termini di accuratezza delle classificazioni, cosa che non era stato mai fatta fino ad ora. Abbiamo verificato la difficoltà di scegliere la potenza associata con la migliore accuratezza del modello poichè questa dipende dalla distribuzione multivariata dei dati. Inoltre abbiamo sviluppato un approccio basato sulla combinazione di medie di potenza per poter beneficiare e per migliorare le performance di classificazione. Tutti i codici relativi all' algoritmo MPM veloce e quelli per la manipolazione dei segnali EEG nella classificazione sono scritti in MATLAB e possono essere sviluppati successivamente per la creazione di un pacchetto.