Using machine learning methods to classify independent components from ICA separation on MEG data

Analiza Komponentów niezależnych (ICA) jest szeroko stosowanym narzędziem wspomagającym lokalizację źródeł w metodach EEG i MEG. Manualne sprawdzanie komponentów pod względem ich adekwatności do dalszego modelowania jest jednak czasochłonne. Dlatego więc często stosuje się metody automatycznej klasyfikacji komponentów. Rzadko kiedy jednak są one porównywane między sobą. Celem niniejszej pracy jest rozwinięcie i porównanie modeli statystycznych klasyfikujących komponenty na pochodzące z mózgu i artefaktualne. Prócz tego, praca ta ma na celu analizę cech wykorzystanych do uczenia, wybierając najlepszy ich podzbiór za pomocą testów chi2 oraz analiz wpływu podzbioru cech na skuteczność klasyfikacji. Na danych pochodzących z badań stanu spoczynkowego MEG przetestowano klasyfikatory oparte o regresję logistyczną, k najbliższych sąsiadów (KNN), lasy losowe, drzewa decyzyjne, maszynachwektorów nośnych (SVM) głębokie i konwolucyjne sieci neuronowe oraz architektury hybrydowe łączące wykrywanie cech przestrzennych bezpośrednio z map topograficznych komponentów z cechami sygnału oraz spektrum komponentów. Metody oparte o głębokie i konwolucyjne sieci neuronowe uzyskały najlepsze rezultaty pod względem dokładności anajlepsze rezultaty osiągnął model oparty o średniej ważonej przewidywań z obu tych sieci. Prócz tego, analizy cech wykazały, że konieczne jest uwzględnienia korelacji komponentu z cechami kanałów elektrycznych EOG oraz cech spektralnych sygnału.

Independent Component Analysis (ICA) is a widely used method in neuroscience for enhancing source localization procedures. However, manual screening of components is tiresome. That is why automatic methods are often used but they are very rarely compared with one another. The aim of this work is to develop and benchmark statistical learning methods used for classification of independent components as either originating from the brain or of artefactual origin. Also, the analysis of variables used to train the classifier will be conducted as to better understand their contribution to overall classification. The resting state data gathered by MEG has been decomposed to independent components and then classified using KNN, random forest, decision trees, logistic regression, SVMs as well as deep and convolutional neural networks. Also, custom hybrid classifiers that join spatial data with data stemming from signal features had been tested. Classifiers based on deep and convolutional neural networks have proven to be most effective and accurate, in particular the weighted average of their predictions. Also, feature analysis have shown that it is necessary for model to include variables capturing corelation between component and EOG channels as well as component spectral variables.