Laplacianカーネルを使用した平滑化されたL0ノルムに基づいたスパース分解の改善により、fMRIデータから機能を選択します

背景：機能の選択は、機能的磁気共鳴イメージング（fMRI）データの「サンプルが少ない」性質によるfMRIベースのデコードのコンテキストで、多変量​​分類技術の分類精度を改善する上で重要な役割を果たします。最近、FMRIデータのボクセル選択にいくつかのスパース表現方法が適用されています。スパース表現方法の計算効率が低いにもかかわらず、彼らはfMRIデータから機能を選択するアプリケーションに依然として約束を示しました。 新しい方法：この研究では、FMRIデータの機能選択のためのLaplacian Smoothed L0 Norm（LSL0）アプローチを提案しました。Smoothed L0 Norm（SL0）（Mohimani、2007）を使用した高速スパース分解に基づいて、LSL0メソッドはLaplacian関数を使用して、ソースのL0 Normを近似しました。 結果：シミュレートされた実際のfMRIデータの結果は、まばらなソースの推定と機能の選択に対するLSL0の実現可能性と堅牢性を実証しました。 既存の方法との比較：シミュレートされた結果は、LSL0が高いノイズレベルでSL0よりも正確なソース推定を生成したことを示しました。LSL0によって選択されたボクセルを使用した分類精度は、シミュレートされたfMRI実験と実際のfMRI実験の両方でSL0によってそれよりも高かった。さらに、LSL0とSL0の両方が、fMRIデコードのためにICAおよびT検定よりも高い分類精度を示し、必要な時間を必要としました。 結論：LSL0は、高ノイズレベルでのスパースソース推定および機能選択において、SL0を上回りました。さらに、LSL0とSL0は、機能選択のためにICAおよびTテストよりも優れたパフォーマンスを示しました。

BACKGROUND: Feature selection plays an important role in improving the classification accuracy of multivariate classification techniques in the context of fMRI-based decoding due to the "few samples and large features" nature of functional magnetic resonance imaging (fMRI) data. Recently, several sparse representation methods have been applied to the voxel selection of fMRI data. Despite the low computational efficiency of the sparse representation methods, they still displayed promise for applications that select features from fMRI data. NEW METHOD: In this study, we proposed the Laplacian smoothed L0 norm (LSL0) approach for feature selection of fMRI data. Based on the fast sparse decomposition using smoothed L0 norm (SL0) (Mohimani, 2007), the LSL0 method used the Laplacian function to approximate the L0 norm of sources. RESULTS: Results of the simulated and real fMRI data demonstrated the feasibility and robustness of LSL0 for the sparse source estimation and feature selection. COMPARISON WITH EXISTING METHODS: Simulated results indicated that LSL0 produced more accurate source estimation than SL0 at high noise levels. The classification accuracy using voxels that were selected by LSL0 was higher than that by SL0 in both simulated and real fMRI experiment. Moreover, both LSL0 and SL0 showed higher classification accuracy and required less time than ICA and t-test for the fMRI decoding. CONCLUSIONS: LSL0 outperformed SL0 in sparse source estimation at high noise level and in feature selection. Moreover, LSL0 and SL0 showed better performance than ICA and t-test for feature selection.