Classification Approaches in Neuroscience: A Geometrical Point of View

Functional magnetic resonance images (fMRI) are brain scan images by MRI machine which are taken functionally cross the time. Several studies have investigated methods analyzing such images (or actually the drawn data from them) and is interestingly growing up. For examples models can predict the behaviours and actions of people based on their brain pattern, which can be useful in many fields. We do the classification study and prediction of fMRI data and we develop some approaches and some modifications on them which have not been used in such classification problems. The proposed approaches were assessed by comparing the classification error rates in a real fMRI data study. In addition, many programming codes for reading from fMRI scans and codes for using classification approaches are provided to manipulate fMRI data in practice. The codes, can be gathered later as a package in R. Also, there is a steadily growing interest in analyzing functional data which can often exploit Riemannian geometry. As a prototypical example of these kind of data, we will consider the functional data rising from an electroencephalography (EEG) signal in Brain-Computer interface (BCI) which translates the brain signals to the commands in the machine. It can be used for people with physical inability and movement problems or even in video games, which has had increased interest. To do that, a classification study on EEG signals has been proposed, while, the data in hand to be classified are matrices. A multiplicative algorithm (MPM), which is a fast and efficient algorithm, was developed to compute the power means for matrices which is the crucial step in our proposed approaches for classification. In addition, some simulation studies were used to examine the performance of MPM against existing algorithms. We will compare the behavior of different power means in terms of accuracy in our classifications, which had not been discovered previously. We will show that it is hard to have a guess to find the optimal power mean to have higher accuracy depending on the multivariate distribution of data available. Then, we also develop an approach, combination of power means, to have the benefit of all to improve the classification performance. All the codes related to the fast MPM algorithms and the codes for manipulating EEG signals in classification are written in MATLAB and can be developed later as a package.

Le immagini da risonanza magnetica funzionale (functional magnetic resonance image - fMRI) sono immagini di scansioni cerebrali effettuate tramite la macchina MRI prese come funzione del tempo. Negli ultimi anni sta crescendo l'interesse sull'analisi di queste immagini, o meglio dei dati da loro estratti. L'obiettivo di questo tipo di analisi, applicabile in molti ambiti diversi, è quello di stimare e prevedere i comportamenti e le azioni delle persone a partire dai loro pattern cerebrali. Il nostro lavoro si basa sulla classificazione e previsione dei dati fMRI e sullo sviluppo di nuove tecniche che non sono mai state applicate a questi problemi di classificazione. La validazione delle tecniche proposte è stata effettuata tramite il confronto degli errori di misclassificazione su dati fMRI provenienti da studi reali. Inoltre, vengono forniti i codici di lettura dalle immagini fMRI ed quelli per applicare le tecniche di classificazione proposte per la manipolazione dei dati fMRI. In futuro i codici potranno essere organizzati per la creazione di un pacchetto R. L'interesse nell'analisi di dati funzionali che utilizzano la geometria riemanniana è in costante crescita. Un prototipo di questi dati consiste nei dati funzionali generati dal segnale EEG nell'interfaccia Brain-Computer (BCI), la quale traduce i segnali cerebrali ai comandi nella macchina. Il BCI può essere utilizzato da persone con inabilità fisiche e problemi motori o persino, con crescente interesse, nell'ambito dei video giochi. A questo scopo, abbiamo proposto uno studio di classificazione dei segnali EEG i cui dati sono raccolti in matrici. Abbiamo sviluppato un algoritmo moltiplicativo (MPM) veloce ed efficiente nel calcolare le medie di potenza di matrici, punto cruciale dei metodi proposti per la classificazione. In alcuni studi di simulazione abbiamo esaminato le performance del MPM rispetto a quelle di algoritmi già esistenti. Abbiamo inoltre comparato il coportamento di diverse medie di potenza in termini di accuratezza delle classificazioni, cosa che non era stato mai fatta fino ad ora. Abbiamo verificato la difficoltà di scegliere la potenza associata con la migliore accuratezza del modello poichè questa dipende dalla distribuzione multivariata dei dati. Inoltre abbiamo sviluppato un approccio basato sulla combinazione di medie di potenza per poter beneficiare e per migliorare le performance di classificazione. Tutti i codici relativi all' algoritmo MPM veloce e quelli per la manipolazione dei segnali EEG nella classificazione sono scritti in MATLAB e possono essere sviluppati successivamente per la creazione di un pacchetto.