Classification of emotions from functional connectivity graphs

Abstract

Functional neuroimaging has proven to be a valuable tool in mapping local brain activation patterns corresponding to different perceptual and behavioral tasks. In functional magnetic resonance imaging the task-related changes in blood oxygenation level are inspected and inference about the involvement of brain locations is made based on statistical modelling and testing. The statistical models have traditionally been univariate allowing for inference on individual parts of the brain (voxels) and requiring correction for multiple comparisons. Recent applications of machine learning in neuroscience extended the univariate approach to multivariate methods that consider the simultaneous involvement of multiple voxels in modelling the brain activation. Particularly, classification algorithms have enabled brain state decoding in which the current task is predicted from the local activation pattern. However, the generalizability of the method in studies concerning emotional states has been poor due to the distributed nature of emotional information. In this thesis, connectivity patterns were used to discriminate between different emotional states. Based on functional connectivity between pairs of brain areas (nodes), the classifier was able to determine the corresponding emotional state by an accuracy significantly above the chance level. The classification was performed using three different sets of nodes and it was demonstrated that the choice of nodes does impact the classification accuracy. The results show that similarities exist among the connectivity patterns of multiple individuals and that discrimination between brain states is possible based on these patterns. The results also demonstrate that machine learning applications are powerful enough to extract underlying connectivity structure from the data even with moderately few samples. Further studies are required to investigate if increasing the sample size allows using more detailed node structures.

Toiminnallinen aivokuvantaminen on osoittautunut arvokkaaksi työkaluksi kartoitettaessa eri koeasetelmissa esiintyvien aktivaatiokuvioiden anatomisia lokaatioita. Toiminnallisessa magneettikuvantamisessa tarkastellaan koeasetelman tehtäviin liittyviä muutoksia aivojen verenkierrossa, minkä pohjalta voidaan päätellä eri aivoalueiden osuus tilastollista mallintamista ja testejä hyödyntäen. Tilastolliset mallit ovat perinteisesti olleet yksimuuttujamalleja, jotka mahdollistavat tulkinnan paikallisella tasolla (vokselittain) ja vaativat useista vertailuista johtuvan korjauksen tilastollisen korjauksen. Viimeaikaiset koneoppimissovellukset ovat mahdollistaneet yksimuuttujamallien laajentamisen monimuuttujamalleiksi, jotka mahdollistavat useiden vokselien samanaikaisen aktivaation tarkastelun. Erityisesti luokittelualgoritmit ovat mahdollistaneet aivotilojen dekoodaamisen, jossa suoritettava tehtävä päätellään paikallisen aktivaation perusteella. Tämän menetelmän käyttö emootiotutkimuksissa on kuitenkin ollut rajoittunutta aktivaation hajautetusta luonteesta johtuen. Tässä työssä konnektiivisuuskuvioita käytettiin paikallisten aktivaatioiden sijasta emootiotilojen erottamiseksi toisistaan. Aivoalueparien (solmujen) välisen konnektiivisuuden perusteella luokittelija kykeni määrittelemään kyseessä olevan emootiotilan satunnaistasoa paremmin. Luokittelu suoritettiin käyttämällä kolmea solmujoukkoa. Solmujoukon valinnalla todettiin olevan vaikutusta luokittelutulokseen. Tulokset osoittivat, että eri yksilöiden konnektiivisuuskuvioissa on samankaltaisuuksia ja emootiotilojen erottelu näiden kuvioiden perusteella on mahdollista. Tulokset osoittivat myös, että koneoppimissovellukset kykenevät erottamaan konnektiivisuusrakenteita suhteellisen vähäisestä otoskoosta huolimatta. Tulevat tutkimukset osoittavat, onko suuremmalla otoskoolla mahdollista käyttää yksityiskohtaisempaa solmujoukkoa.