Relief-based feature evaluation and selection for hyperscanning MEG
Loading...
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2020-10-19
Department
Major/Subject
Human Neuroscience and Technology
Mcode
SCI3061
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
47
Series
Abstract
In this thesis, I have investigated the possibility of utilizing Relief-based feature selection algorithms (RBA) for the analysis of hyperscanning magnetoencephalography (MEG) dataset. The Relief-based algorithms are a family of multivariate feature evaluation algorithms that take high-order feature interactions into account during the evaluation process. The hyperscanning MEG or 2-person MEG is a recently proposed method, where the neural signals of two subjects are recorded simultaneously, for example, during social interaction. The RBAs property of taking high-order feature interactions into account during feature evaluation process should prove advantageous in finding interesting points-of-interests such as synchronous inter-brain activation patterns in the hyperscanning MEG data. This result could be achieved by narrowing the inspection of features extracted from the hyperscanning MEG data into a handful of features deemed highly relevant by the used RBA algorithm. The validity of the proposed concept is being investigated by utilizing two RBA algorithms: Relief-F and Tuned Relief-F (TuRF). The algorithms are used to evaluate features extracted from the hyperscanning MEG dataset arranged into leader–follower and joint-leadership classification task. The extracted features that are being evaluated include sensor-level average power estimates in five frequency bands: theta, low alpha, high alpha, beta and gamma. The performance of feature evaluations obtained with the two RBAs are inspected by training a number of support vector machines (SVM). In addition, the stability and topography of highly evaluated features are investigated. Finally, the behavioral data analysis using finger attached accelerometers was used to ensure that the observed data contained valid class labels for the intended classification task. The results show that the SVMs are able to achieve encouraging levels of predictive accuracy in the leader–follower and joint-leadership classification task by utilizing the highly ranking features evaluated with both RBAs. The two RBAs show minimal difference in the performance during dyad-level analysis, but the increase in the amount of available data during group-level analysis seem to favor TuRF algorithm. In the future, the quality of interactions between highly evaluated features should be investigated.Tässä diplomityössä olen tutkinut Relief-pohjaisten piirteenvalinta-algoritmien (Reliefbased algorithm, RBA) käyttöä kahdelta koehenkilöltä samanaikaisesti kerätyn magnetoenkefalografia-aineiston (hyperskannaus-MEG) analyysissä. Relief-pohjaiset algoritmit ovat usean muuttujan piirrearviointimenetelmiä, jotka ottavat korkean tason piirrevuorovaikutukset huomioon arviointiprosessin aikana. Hyperskannaus-MEG tai kahden henkilön MEG on äskettäin ehdotettu menetelmä, jossa kahden koehenkilön hermostollisia signaaleja mitataan samanaikaisesti esimerkiksi sosiaalisen kanssakäymisen aikana. RBA-algoritmien ominaisuuden, joka ottaa korkean tason piirrevuorovaikutukset huomioon piirteiden arviointiprosessin aikana, pitäisi osoittautua hyödylliseksi mielenkiintoisten huomiopisteiden, kuten synkronisten aivojen välisten aktivaatiokuvioiden, löytämiseksi MEG-aineistosta. Tämä lopputulos voidaan saavuttaa rajaamalla MEG-aineistosta kerättyjen piirteiden tarkastelu vain pieneen osaan piirteitä, jotka RBA-algoritmi on todennut merkittäviksi. Ehdotetun lähestymistavan pätevyyttä tutkitaan hyödyntämällä kahta RBA algoritmia: Relief-F ja Tuned Relief-F (TuRF). Algoritmien avulla pyritään löytämään MEG-aineistosta piirteitä, joiden avulla voidaan luokitella koehenkilöiden suorittamia johtaja–seuraaja- ja yhteisjohtajuustehtäviä. Kerätyt piirteet, joita arvioidaan, sisältävät anturitason keskiarvotehoestimaatteja viidellä taajuuskaistalla: theeta, matala alfa, korkea alfa, beeta ja gamma. Kahden RBA-algoritmin avulla saatujen piirrearvioiden suorituskykyä tarkastellaan mallintamalla useita tukivektorikoneita (support vector machine, SVM), ja merkittäviksi todettujen piirteiden topografia sekä stabiliteetti tutkitaan. Lisäksi koehenkilön sormeen kiinnitetyn kiihtyvyysanturin käyttäytymisdatan analyysia käytetään varmistamaan, että käytetty aineisto sisälsi oikeat luokkamerkinnät luokittelutehtävää varten. Tulosten perusteella SVM-koneet saavuttavat rohkaisevan tasoisia ennustustarkkuuksia johtaja–seuraaja- ja yhteisjohtajuusluokittelutehtävissä hyödyntämällä kumman tahansa RBA-algoritmin merkittäviksi toteamia piirteitä. Käytetyt RBA-algoritmit osoittavat vähäisiä eroja suorituskyvyssään tarkasteltaessa koehenkilöpareja, mutta nousu käytettävän datan määrässä ryhmätason analyysin aikana näyttäisi suosivan TuRF-algoritmia. Tulevissa tutkimuksissa voitaisiin tutkia merkittäviksi todettujen piirteiden välisten vuorovaikutusten laatua.Description
Supervisor
Parkkonen, LauriThesis advisor
Henriksson, LindaKeywords
hyperscanning, 2-person neuroscience, MEG, feature evaluation and selection, feature interaction, relief-based algorithms
