The multi-voxel pattern analysis technique is applied to fMRI data for classification of high-level brain function using pattern information distributed over multiple voxels. The fMRI signal analysis requires multiclass classification rather than binary classification. The paper proposes a multiclass classifier for fMRI analysis using pairwise classifier ensemble. Each pairwise classifier consists of multiple sub-classifiers optimized by a customized searchlight analysis to utilize an adaptive feature set for each class-pair. The results of multiple pairwise classifiers are combined to estimate the classification result.
Simulated and real fMRI data are used to verify the proposed method. Intra- and inter-subject analyses are performed to compare the proposed method with several well-known classifiers, including single and ensemble classifiers. The comparison results show that the proposed method can be generally applied to multiclass classification in both simulations and real fMRI analyses.
다중부피소패턴분석 방법(MVPA)은 개발된 이래 뇌기능자기공명영상 (fMRI)의 고차원적 분석을 위해 많이 사용되었다. Support vector machine (SVM)이나 random forest, random subspace ensemble과 같은 다양한 패턴 분석을 위해서는 분류기법들이 뇌기능 패턴 분석을 위해 사용되었다. 분류 성능을 높이기 위해서 fMRI 신호에서 정보를 많이 가지고 있는 특성(feature)를 잘 추출하는 것이 중요하다. 멀티클래스 분류 문제를 풀기 위해서 이원분류기 결합 방법이 개발되어 사용되어왔다. 여러 클래스 가운데에 두 클래스를 위한 이원분류기는 다른 클래스쌍과는 독립적으로 해당 클래스쌍만의 최적화된 특성을 가지고 있다. 그러므로, 이러한 클래스쌍마다 최적화된 특성 부분공간(feature subspace)를 적응적으로 찾아내어 사용하는 분석 방법이 필요하다. 본 논문에서는 뇌 상태 예측을 위해 최적화된 클래스쌍 특성을 적응적으로 사용하는 fMRI 다중분류 방법을 제안하였다. 제안된 방법은 클래스쌍을 분류하는 이원분류기들을 효과적으로 결합하는 방법을 포함한다. 시뮬레이션과 실제 fMRI 데이터를 사용하여 제안하는 방법과 기존의 잘 알려진 분류기들을 성능 비교한 결과, 제안하는 방법의 성능이 상대적으로 강인한 것을 확인하였다.
