Estudo Comparativo de Métodos SVM Combinados com Seleção de Voxéis para Classificação de Categoria de Objetos em Dados de fMRI

FUNDAMENTO: Máquinas de vetor de suporte (SVM) têm sido amplamente utilizadas como um método preciso e confiável para decifrar padrões cerebrais a partir de dados de ressonância magnética funcional (fMRI). Estudos anteriores não encontraram um benefício claro para SVM não linear (núcleo polinomial) em comparação ao SVM linear. Aqui, um SVM não linear mais eficaz usando núcleo de função de base radial (RBF) é comparado ao SVM linear. Diferente de estudos tradicionais que se concentraram apenas na avaliação de diferentes tipos de SVM ou nos métodos de seleção de voxéis, nosso objetivo foi investigar o desempenho geral de SVM linear e RBF para classificação de fMRI juntamente com esquemas de seleção de voxéis em precisão de classificação e tempo de processamento. METODOLOGIA/RESULTADOS PRINCIPAIS: Seis diferentes métodos de seleção de voxéis foram empregados para decidir quais voxéis dos dados de fMRI seriam incluídos nos classificadores SVM com núcleos linear e RBF na classificação de objetos em 4 categorias. Então, as performances gerais dos métodos de seleção de voxéis e classificação foram comparadas. Os resultados mostraram que: (1) A seleção de voxéis teve um impacto importante na precisão de classificação dos classificadores: em um espaço de características de dimensão relativamente baixa, SVM RBF superou significativamente SVM linear; em um espaço de dimensão relativamente alta, SVM linear teve um desempenho melhor que seu equivalente; (2) Considerando a precisão de classificação e o tempo de processamento de forma holística, SVM linear com relativamente mais voxéis como características e SVM RBF com um pequeno conjunto de voxéis (após PCA) poderiam alcançar melhor precisão e consumir menos tempo. CONCLUSÕES/IMPORTÂNCIA: O presente trabalho fornece o primeiro resultado empírico de SVM linear e RBF na classificação de dados de fMRI, combinado com métodos de seleção de voxéis. Com base nas descobertas, se apenas a precisão de classificação fosse considerada, SVM RBF com voxéis pequenos apropriados e SVM linear com relativamente mais voxéis foram duas soluções sugeridas; se os usuários se preocupassem mais com o tempo computacional, SVM RBF com um conjunto relativamente pequeno de voxéis, quando parte dos componentes principais fosse mantida como características, seria uma escolha melhor.