Cognitive process representation with minimum spanning tree of local meshes

Abstract

In this study, we propose a new graphical model, namely Cognitive Process Graph (CPG) for classifying cognitive processes. In CPG, first local meshes are formed around each voxel. Second, the relationships between a voxel and its neighbors in a local mesh, which are estimated by using a linear regression model, are used to form the edges among the voxels (graph nodes) in the CPG. Then, a minimum spanning tree (MST) of the CPG which spans all the voxels in the region of interest is computed. The arc weights of the MST are used to represent the underlying cognitive processes. Finally, the arc weights computed over the path of the MST called MST-Features (MST-F) are used to train a statistical learning machine. The proposed method is tested on a recognition memory experiment, including data pertaining to encoding and retrieval of words belonging to ten different semantic categories. Two popular classifiers, namely kNearest Neighbor (k-NN) and Support Vector Machine (SVM), are trained in order to predict the semantic category of the item being retrieved, based on activation patterns during encoding. The proposed method reduces the curse of dimensionality problem that is caused by very large dimension of the feature space of the fMRI measurements, compared to number of instances. The classification performance is also superior to the classical multi-voxel pattern analysis (MVPA) methods for the underlying cognitive process. / Bu çalışmada, bilişsel süreçlerin sınıflandırılması maksadıyla, Bilişsel Süreç Çizgesi (BSÇ) adı verilen yeni bir grafiksel model önerilmektedir. Önerilen BSÇ’de öncelikle, her voksel etrafında bir yerel örgü kurulmaktadır. İkinci olarak, doğrusal bağlanım modeli kullanılarak hesaplanan yerel örgüdeki vokseller ile komşularının ilişkileri, BSÇ’yi oluşturan vokseller (çizge düğümleri) arasındaki kenarları oluşturmak için kullanılmıştır. Ardından, oluşturulan BSÇ’nin minimum yayılan ağacı (MYA) ilgi bölgesindeki tüm vokselleri kapsayacak şekilde hesaplanmıştır. MYA üzerinde bulunan kenar ağırlıkları bilişsel süreci betimlemekte kullanılmıştır. Son olarak, hesaplanan kenar ağırlıklarından MYA üzerinde bulunanlar istatistiksel bir öğrenme makinasını eğitmekte kullanılmıştır. Kullanılan bu kenar ağırlıkları MYA-Öznitelikleri (MYA-Ö) olarak adlandırılmıştır. Önerilen yaklaşım, belleğe bilgi kaydı ve geri getirme işlemleri için 10 sınıflı bilgi tipinden oluşan bir kelime tanıma çalışması verisi üzerinde test edilmiştir. Bellekten geri getirmeyi farklı kategorideki sınıflar için ayırt edebilmek maksadıyla yaygın olarak kullanılan iki sınıflandırıcı eğitilmiştir. Bu sınfılandırıcılar k-En Yakın Komşu (k-EK) ve Destek Vektör Makinası (DVM) olup, belleğe bilgi kaydı esnasındaki aktifleşme örüntüsü kullanılarak eğitilmişlerdir. Önerilen yaklaşım, örnek sayısıyla karşılaştırıldığında oldukça yüksek boyutta olan fMRG ölçümlerinin boyutluluk sorununu azaltmakla beraber bilişsel süreç sınıflandırma başarımı klasik Çoklu Voksel Örüntü Çözümleme (Multi Voxel Pattern Analysis-MVPA) yöntemlerinden daha yüksektir.