DOI: https://doi.org/10.5267/j.ijdns.2026.4.003
تاريخ النشر: 2026-01-01
المؤلف: Suleiman Ibrahim Mohammad وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تستكشف هذه الدراسة تطبيق خوارزميات التعلم الآلي لتصنيف حالات العين – مفتوحة مقابل مغلقة – باستخدام إشارات تخطيط الدماغ (EEG) المسجلة من عدة أقطاب كهربائية على فروة الرأس. تم تقييم نماذج تصنيف مختلفة، حيث حققت خوارزمية الجيران الأقرب (KNN) أعلى دقة بلغت 0.9609 ودرجة ROC-AUC بلغت 0.9927. كما أظهرت طرق التجميع الأخرى، بما في ذلك CatBoost وXGBoost وRandom Forest، قدرات تنبؤية قوية. تؤكد الأبحاث على أهمية تقنيات الذكاء الاصطناعي القابل للتفسير (XAI)، مثل تحليل SHAP، ومخططات الاعتماد الجزئي (PDP)، ومخططات التوقع الشرطي الفردي (ICE)، لتوضيح مساهمات ميزات EEG المختلفة في أداء النموذج.
تشير النتائج إلى أن إشارات EEG المحددة، وخاصة من المناطق الجبهية والصدغية، حاسمة لتحديد حالات العين بدقة. تختتم الدراسة بأن التعلم الآلي، مع دمج طرق التفسير، يوفر إطارًا قويًا للتعرف على حالات العين المعتمدة على EEG. يُقترح أن تركز الأبحاث المستقبلية على دمج نماذج تعلم أكثر تقدمًا ومجموعات بيانات أكبر لتعزيز أداء التصنيف وتسهيل التنفيذ العملي لأنظمة واجهة الدماغ-الكمبيوتر.
مقدمة
تناقش مقدمة ورقة البحث أهمية تخطيط الدماغ (EEG) كطريقة غير جراحية لقياس نشاط الدماغ، والتي لها تطبيقات في الأبحاث العصبية، ورصد الإدراك، وأنظمة واجهة الدماغ-الكمبيوتر (BCI). يتم تسليط الضوء على قدرة إشارات EEG على عكس الحالات الفسيولوجية، مثل حالات العين، مما يبرز إمكاناتها في اكتشاف التعب والتقنيات المساعدة. ومع ذلك، فإن تعقيد وعدم خطية بيانات EEG تطرح تحديات للتحليل، مما يؤدي إلى اعتماد طرق التعلم الآلي (ML). تم استخدام خوارزميات ML التقليدية، بما في ذلك الجيران الأقرب، وآلات الدعم الشعاعي، وأشجار القرار، بنجاح في مهام تصنيف EEG، بينما عززت تقنيات التعلم التجميعي مثل Random Forest وتعزيز التدرج الأداء التنبؤي.
تناقش الورقة أيضًا قضية القابلية للتفسير في نماذج ML، التي غالبًا ما يُنظر إليها على أنها “صناديق سوداء”. لتحسين الشفافية، يتم استخدام طرق الذكاء الاصطناعي القابل للتفسير (XAI)، مثل تحليل SHAP ومخططات الاعتماد الجزئي، لتوضيح كيفية مساهمة الميزات الفردية في توقعات النموذج. تهدف الدراسة إلى تصنيف حالات العين باستخدام إشارات EEG ومقارنة أداء خوارزميات ML المختلفة مع استخدام تقنيات التفسير لفهم تأثير ميزات EEG على نتائج التصنيف بشكل أفضل. تشمل المساهمات الرئيسية تحليلًا مقارنًا لخوارزميات ML التقليدية والتجميعية، ودمج ميزات EEG إضافية تعكس نشاط الدماغ الإقليمي، وتطبيق طرق XAI لتعزيز قابلية تفسير النتائج.
الطرق
توضح قسم المنهجية هيكل إطار الذكاء الاصطناعي القابل للتفسير المقترح لتحليل بيانات EEG، كما هو موضح في الشكل 4. يشمل الإطار خط أنابيب شامل يتضمن معالجة بيانات EEG، واستخراج الميزات، وتصنيف التعلم الآلي، وتحليل قابلية تفسير النموذج. لتعزيز تمثيل إشارات EEG والتقاط أنماط نشاط الدماغ الإقليمي، تم اشتقاق خمس ميزات جديدة من التكوين المكاني لأقطاب EEG. تم تقسيم هذه الميزات لاحقًا إلى مجموعات تدريب (11,984 عينة) ومجموعات اختبار (2,996 عينة)، كل منها يحتوي على 19 ميزة إدخال.
لتقييم فعالية نموذج التصنيف، تم استخدام التحقق المتقاطع k-fold على بيانات التدريب، مما أسفر عن درجات دقة بلغت 0.9161، 0.9132، 0.9053، 0.9166، و0.9136، مع دقة متوسطة تبلغ حوالي 0.913. تشير اتساق هذه الدرجات عبر طيات مختلفة إلى أداء موثوق للنموذج. قبل التدريب، تم تطبيق توسيع الميزات لتطبيع قيم ميزات EEG، مما أسفر عن مجموعة بيانات تحتوي على 14,980 ملاحظة و14 ميزة. أظهر تحليل المتغير المستهدف مجموعة بيانات متوازنة مع 8,257 حالة من العين المغلقة (0) و6,723 حالة من العين المفتوحة (1)، كما هو موضح في الشكل 5، مما يشير إلى توزيع فئات يمكن إدارته لتدريب النموذج.
المناقشة
تم استخدام مجموعة بيانات حالات العين EEG، التي تتكون من 14,980 حالة و14 متنبئًا، لتصنيف حالات العين (مفتوحة أو مغلقة) بناءً على إشارات تخطيط الدماغ التي تم جمعها عبر سماعة رأس Emotiv EPOC. يتوافق كل من الخصائص الأربعة عشر EEG مع الأقطاب الكهربائية الموضوعة وفقًا لنظام وضع EEG القياسي، مما يلتقط نشاط الدماغ المرتبط بوظائف إدراكية مختلفة. شملت معالجة البيانات تحليل القيم الشاذة باستخدام درجات Z، مما أسفر عن إزالة 209 قيم متطرفة لتحسين جودة البيانات. أظهر تحليل الارتباط أنه بينما كانت العديد من خصائص EEG مرتبطة بشكل إيجابي، أظهر متغير اكتشاف العين ارتباطات ضعيفة مع الخصائص الفردية، مما يشير إلى أن تصنيف حالة العين يعتمد على مجموعة من الميزات بدلاً من إشارة واحدة.
كشفت تقييم أداء النموذج أن خوارزمية الجيران الأقرب (KNN) تفوقت على النماذج الأخرى، محققة دقة بلغت 0.9609 وROC-AUC بلغ 0.9927، مما يدل على فعاليتها في اكتشاف الأنماط في إشارات EEG. كما أظهرت النماذج التجميعية مثل CatBoost وXGBoost قدرات تنبؤية قوية. تم استخدام تقنيات الذكاء الاصطناعي القابل للتفسير، بما في ذلك تحليل SHAP ومخططات الاعتماد الجزئي، لتفسير توقعات النموذج، مما يبرز أهمية الأقطاب الكهربائية AF3 وF7 وO1 في التأثير على تصنيف حالة العين. تؤكد النتائج على إمكانات التعلم الآلي وطرق القابلية للتفسير في التعرف على حالات العين المعتمدة على EEG، مما يمهد الطريق لأبحاث مستقبلية لتعزيز أداء النموذج وتطبيقاته في العالم الحقيقي في واجهات الدماغ-الكمبيوتر.
DOI: https://doi.org/10.5267/j.ijdns.2026.4.003
Publication Date: 2026-01-01
Author(s): Suleiman Ibrahim Mohammad et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This study explores the application of machine learning algorithms for classifying eye states—open versus closed—using electroencephalogram (EEG) signals recorded from multiple scalp electrodes. Various classification models were evaluated, with the K-Nearest Neighbors (KNN) algorithm achieving the highest accuracy of 0.9609 and a ROC-AUC score of 0.9927. Other ensemble methods, including CatBoost, XGBoost, and Random Forest, also demonstrated strong predictive capabilities. The research emphasizes the importance of explainable artificial intelligence (XAI) techniques, such as SHAP analysis, Partial Dependence Plots (PDP), and Individual Conditional Expectation (ICE) plots, to elucidate the contributions of different EEG features to model performance.
The findings indicate that specific EEG signals, particularly from frontal and occipital regions, are critical for accurately determining eye states. The study concludes that machine learning, combined with interpretability methods, provides a robust framework for EEG-based eye state recognition. Future research is suggested to focus on integrating more advanced learning models and larger datasets to further enhance classification performance and facilitate the practical implementation of brain-computer interface systems.
Introduction
The introduction of the research paper discusses the significance of Electroencephalography (EEG) as a non-invasive technique for measuring brain activity, which has applications in neurological research, cognitive monitoring, and brain-computer interface (BCI) systems. The ability of EEG signals to reflect physiological states, such as eye states, is highlighted, emphasizing their potential in fatigue detection and assistive technologies. However, the complexity and nonlinearity of EEG data pose challenges for analysis, leading to the adoption of machine learning (ML) methods. Traditional ML algorithms, including k-Nearest Neighbors, Support Vector Machines, and Decision Trees, have been successfully employed for EEG classification tasks, while ensemble learning techniques like Random Forest and gradient boosting have further enhanced predictive performance.
The paper also addresses the issue of interpretability in ML models, which are often perceived as “black boxes.” To improve transparency, explainable artificial intelligence (XAI) methods, such as SHAP analysis and Partial Dependence Plots, are utilized to elucidate how individual features contribute to model predictions. The study aims to classify eye states using EEG signals and compare the performance of various ML algorithms while employing interpretability techniques to better understand the influence of EEG features on classification outcomes. The main contributions include a comparative analysis of classical and ensemble ML algorithms, the incorporation of additional EEG features reflecting regional brain activity, and the application of XAI methods to enhance the interpretability of the results.
Methods
The methodology section outlines the architecture of the proposed explainable artificial intelligence framework for analyzing EEG data, as depicted in Figure 4. The framework encompasses a comprehensive pipeline that includes EEG data preprocessing, feature extraction, machine learning classification, and model interpretability analysis. To enhance the representation of EEG signals and capture regional brain activity patterns, five novel features were derived from the spatial configuration of EEG electrodes. These features were subsequently split into training (11,984 samples) and testing sets (2,996 samples), each containing 19 input features.
To assess the classification model’s effectiveness, k-fold cross-validation was employed on the training data, yielding accuracy scores of 0.9161, 0.9132, 0.9053, 0.9166, and 0.9136, with a mean accuracy of approximately 0.913. The consistency of these scores across different folds indicates reliable model performance. Prior to training, feature scaling was applied to normalize the EEG feature values, resulting in a dataset with 14,980 observations and 14 features. The target variable analysis revealed a balanced dataset with 8,257 instances of eye-closed (0) and 6,723 instances of eye-open (1), as illustrated in Figure 5, indicating a manageable class distribution for model training.
Discussion
The EEG Eye State dataset, comprising 14,980 instances and 14 predictors, was utilized to classify eye states (open or closed) based on electroencephalography signals collected via an Emotiv EPOC headset. Each of the 14 EEG attributes corresponds to electrodes positioned according to the standard EEG placement system, capturing brain activity associated with various cognitive functions. Data preprocessing involved outlier analysis using Z-scores, resulting in the removal of 209 extreme values to enhance data quality. The correlation analysis indicated that while many EEG characteristics were positively correlated, the eye detection variable exhibited weak correlations with individual attributes, suggesting that eye state classification relies on a combination of features rather than a single signal.
Model performance evaluation revealed that the K-Nearest Neighbors (KNN) algorithm outperformed other models, achieving an accuracy of 0.9609 and a ROC-AUC of 0.9927, indicating its effectiveness in detecting patterns in EEG signals. Ensemble models like CatBoost and XGBoost also demonstrated strong predictive capabilities. Explainable AI techniques, including SHAP analysis and Partial Dependence Plots, were employed to interpret model predictions, highlighting the significance of electrodes AF3, F7, and O1 in influencing eye state classification. The findings underscore the potential of machine learning and interpretability methods in EEG-based eye state recognition, paving the way for future research to enhance model performance and real-world applications in brain-computer interfaces.