مقدمه: اختلال طیف اوتیسم (ASD) یک اختلال روانی است و مهارتهای کلامی و تعاملات اجتماعی فرد را تحت تاثیر قرار میدهد. با تولید تصاویر تشدید مغناطیسی کارکردی(fMRI) و پیشرفت ابزارهای پردازشی آنها، استفاده از این تصاویر در شناسایی و بررسی عملکرد مغز افراد اوتیستیک بسیار مورد توجه قرار گرفت. البته، در این رویکرد فضای ویژگی بر مبنای ماتریس ارتباط عملکردی دارای ابعاد بسیار است. برخی از این ویژگیها وابسته، غیر ضروری و اضافی هستند که کیفیت تشخیص را کاهش داده و حجم محاسبات را افزایش میدهد. از این رو با توجه به ابعاد بالای فضای جستجو، الگوریتم بهینهسازی توده ذرات (PSO) بهعنوان یکی از ابزارهای قدرتمند جستجوی فراابتکاری در انتخاب ویژگیهای بهینه بکار گرفته شده است.
مواد و روشها: به منظور ارزیابی قابلیت روش پیشنهادی، از الگوریتم آنالیز مولفههای اصلی (PCA) بهعنوان یک روش کاهش بعد استاندارد استفاده میشود. در پژوهش حاضر، از طبقهبندی کننده ماشینهای بردار پشتیبان (SVM) در تشخیص افراد اوتیستیک و سالم بر روی دادههای پایگاه ABIDE استفاده شد. ضرایب ماتریس ازتباط عملکردی منجر به تولید فضای ویژگی با ۶۶۷۰ بعد میشود.
یافتهها: دقت طبقهبندی کننده SVM در این فضای ویژگی ۵۶ درصد است. بکارگیری الگوریتم بهینهسازی توده ذرات با حذف ۳۴۴۲ ویژگی، دقت طبقهبندی را تا ۱۹/۶۲ درصد افزایش داد که در مقایسه با الگوریتم آنالیز مولفههای اصلی عملکرد بهتری دارد. نتایج کاهش ابعاد فضای ویژگی نشان میدهد که این الگوریتم فراابتکاری با حذف تقریباً نیمی از ویژگیها منجر به افزایش ۶ درصد صحت طبقهبندی میشود.
نتیجهگیری: نتایج حاکی از توانایی الگوریتم ماشینهای بردار پشتیبان در مقایسه با جنگلهای تصادفی و نزدیکترین K همسایگی میباشد. الگوریتم PSO به منظور کاهش بعد فضای داده ورودی استفاده شد.