DOI: https://doi.org/10.47839/ijc.24.4.4340
تاريخ النشر: 2026-01-01
المؤلف: Pélagie Flore Temgoua Nanfack وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تبحث هذه الورقة البحثية في فعالية الشبكات العصبية البيانية (GNN)، وبشكل خاص شبكة الالتفاف البيانية (GCN) وشبكة الانتباه البيانية (GAT)، في تصنيف بيانات تخطيط الدماغ الكهربائي (EEG) لتشخيص الفصام. استخدمت الدراسة أداة Pycaret جنبًا إلى جنب مع شبكة عصبية التلافيف (CNN) لأغراض التصنيف. تشير النتائج إلى أن GCN حققت دقة بنسبة 85%، بينما وصلت GAT إلى 80%. ومن الجدير بالذكر أن GCN المدمجة مع CNN حققت أيضًا دقة بنسبة 80%. على الرغم من الطلبات الأعلى للموارد من GAT، إلا أنها أظهرت حساسية أعلى (75%) وخصوصية (80%) مقارنة بالطرق الأخرى، مما يدل على إمكانياتها لتحقيق نتائج تشخيصية أكثر موثوقية.
يقترح المؤلفون أن تركز الأعمال المستقبلية على توسيع مجموعة البيانات للتحقق من فعالية GAT بشكل أكبر، مع الاعتراف بأن مجموعات البيانات الأكبر قد تعزز أداء التصنيف باستخدام Pycaret. يقترحون دمج البيانات التشخيصية السريرية، مثل نتائج الفحص البدني والبيولوجي، في عملية التعلم لتحسين التطبيق العملي في بيئات المستشفيات. بالإضافة إلى ذلك، تسلط الورقة الضوء على التقدم المحتمل في نماذج GNN، بما في ذلك شبكة الالتفاف البيانية التكيفية والبيانات الطوبولوجية (AAGCN) وشبكة الالتفاف البيانية التكيفية ثلاثية الأبعاد (3D-AGCN)، كطرق واعدة لتعزيز دقة وكفاءة التصنيف في تشخيص الفصام.
مقدمة
تناقش مقدمة هذه الورقة البحثية أهمية تخطيط الدماغ الكهربائي (EEGs) في قياس النشاط الكهربائي للدماغ، مع تسليط الضوء على مزاياها مقارنةً بتصوير الرنين المغناطيسي (MRI) في علم الإدراك بسبب عوامل مثل التكلفة، والتوافر، والحد الأدنى من التدخل. تصنيف بيانات EEG معقد، ويرجع ذلك أساسًا إلى التباين في ترتيبات القنوات والطبيعة غير الخطية للبيانات، مما يتطلب تقنيات نمذجة متقدمة. بينما تم استخدام الشبكات العصبية تقليديًا لمجموعات البيانات الأبسط، فإن الخصائص الفريدة لـ EEGs، الممثلة في الفضاء غير الإقليدي، تطرح تحديات يمكن أن تتعامل معها الشبكات العصبية البيانية (GNNs) بشكل جيد.
تؤكد الورقة على إمكانيات GNNs في تصنيف تسجيلات EEG من المرضى الذين يعانون من الفصام، وهو اضطراب يتميز بعوامل عصبية بيولوجية متنوعة. تُعرف GNNs بقدرتها على تعزيز دقة التشخيص وسرعة التنبؤ في سياقات البيانات غير الخطية، مما يجعلها مناسبة للتحليل في الوقت الحقيقي لعدم انتظامات EEG. يحدد المؤلفون التصميم العام لنماذج GNN، والذي يتضمن وحدات الانتشار، والعينة، والتجميع، ويقترحون التحقيق في متغيرات GNN المحددة، مثل شبكات الانتباه البيانية (GAT)، مقارنةً بالشبكات العصبية التلافيفية التقليدية (CNNs). تهدف الدراسة إلى تقييم أداء هذه النماذج في تصنيف EEGs للفصام وتحديد الطريقة الأكثر فعالية لتحسين دقة التنبؤ، مع إمكانية استكشاف متغيرات GNN إضافية في الأبحاث المستقبلية.
طرق البحث
استخدمت الدراسة مجموعة بيانات تضم 14 مريضًا يعانون من الفصام البارانويدي و14 ضابطًا صحيًا، مع تسجيلات EEG تم أخذها بتردد 250 هرتز باستخدام تركيب قياسي 10-20 عبر 19 قناة. تم إجراء التحليل باستخدام مكتبة MNE في بايثون، بمساعدة بيئة تطوير Anaconda Jupyter Lab. تم استخدام PyCaret، وهي مكتبة تعلم آلة منخفضة الكود، لمهام متنوعة بما في ذلك تحليل البيانات الاستكشافية، ومعالجة البيانات، وتدريب النماذج، وعمليات تعلم الآلة (MLOps)، مما يعزز الإنتاجية والكفاءة في تجارب النماذج.
ركزت المنهجية على الشبكات العصبية البيانية (GNNs)، وبشكل خاص شبكات الالتفاف البيانية (GCN) وشبكات الانتباه البيانية (GAT)، التي تبرز في تصنيف EEG. تستفيد GCNs من طبقات الالتفاف لاستخراج ميزات هرمية من إشارات EEG، مما يسمح بالكشف عن التغيرات الطفيفة التي تشير إلى حالة المريض. من ناحية أخرى، تستخدم GATs آليات الانتباه لتمييز الروابط المهمة داخل بيانات EEG، مما يثبت فعاليتها في تصنيف أنواع مختلفة من نشاط الدماغ. يتم هيكلة عملية التصنيف في ثلاث وحدات: جامع، محلل، ومصنف، كما هو موضح في الأشكال المرفقة.
النتائج
في قسم النتائج، تقدم الدراسة نتائج من ثلاث طرق تصنيف: الشبكات الالتفافية البيانية (GCN) مع PyCaret، وشبكات الانتباه البيانية (GAT) مع PyCaret، وGAT المدمجة مع شبكة عصبية تقليدية للتصنيف. يتم تعريف مقاييس الأداء الرئيسية مثل الحساسية والخصوصية، حيث تعكس الحساسية نسبة الإيجابيات الحقيقية التي تم التعرف عليها بشكل صحيح بواسطة النموذج، وتشير الخصوصية إلى نسبة السلبيات الحقيقية التي تم التنبؤ بها بدقة. تعمل مصفوفة الالتباس كمعيار أساسي لتقييم أداء التصنيف.
تضمنت مجموعة البيانات 28 تسجيل EEG، مع تخصيص ثلثها للاختبار، مما أسفر عن مصفوفة التباس كشفت عن أربع تصنيفات خاطئة مقابل ستة تنبؤات صحيحة. حقق أفضل مصنف شجرة قرار منحنى خصائص التشغيل (ROC) مع منطقة تحت المنحنى (AUC) تبلغ 0.57، مما يشير إلى أن النموذج يحدد بشكل صحيح 57% من الأفراد المرضى والأصحاء. كانت الحساسية المحسوبة 50%، بينما كانت الخصوصية 66%، مما يشير إلى أنه على الرغم من أن النموذج لديه حساسية مقبولة، إلا أن خصوصيته تثير القلق، حيث يتنبأ بشكل خاطئ بالفصام في 34% من الأفراد الأصحاء ويصنف بشكل خاطئ 50% من الحالات الصحية الفعلية.
المناقشة
في هذا القسم، يناقش المؤلفون الأداء المقارن للشبكات الالتفافية البيانية (GCN) وشبكات الانتباه البيانية (GAT) في تصنيف بيانات EEG لتشخيص الفصام. يبرزون أنه بينما تُستخدم GCN على نطاق واسع، تُظهر GAT حساسية وخصوصية متفوقتين، حيث تحقق حساسية بنسبة 75% وخصوصية قريبة من 80%. على الرغم من استهلاك GAT الأعلى للموارد، إلا أنها تظهر معدل خطأ أقل بكثير (5%) مقارنةً بـ GCN التي تبلغ 43%. يؤكد المؤلفون على أهمية هذه المقاييس في الطب الدقيق، مشيرين إلى أن أداء GAT يعد واعدًا لتطبيقات التشخيص المبكر.
تتناول المناقشة أيضًا دمج GCN مع الشبكات العصبية التلافيفية التقليدية (CNNs)، التي حققت دقة بنسبة 80% ولكن بمعدل خطأ أعلى من GAT. يقترح المؤلفون العمل المستقبلي لتوسيع حجم مجموعة البيانات للتحقق من فعالية GAT بشكل أكبر ويقترحون دمج بيانات سريرية إضافية في عملية التعلم لتعزيز دقة التشخيص. كما يقترحون استكشاف نماذج GNN المتقدمة، مثل شبكة الالتفاف البيانية التكيفية والبيانات الطوبولوجية (AAGCN) والشبكات العصبية الالتفافية ثلاثية الأبعاد (3D-AGCN)، كطرق محتملة لتحسين أداء التصنيف في الأبحاث المستقبلية.
DOI: https://doi.org/10.47839/ijc.24.4.4340
Publication Date: 2026-01-01
Author(s): Pélagie Flore Temgoua Nanfack et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This research paper investigates the efficacy of Graph Neural Networks (GNN), specifically Graph Convolution Network (GCN) and Graph of Attention (GAT), in classifying electroencephalogram (EEG) data for schizophrenia diagnosis. The study utilized the Pycaret tool alongside a Convolutional Neural Network (CNN) for classification purposes. The findings indicate that GCN achieved an accuracy of 85%, while GAT reached 80%. Notably, GCN combined with CNN also yielded 80% accuracy. Despite GAT’s higher resource demands, it demonstrated superior sensitivity (75%) and specificity (80%) compared to the other methods, indicating its potential for more reliable diagnostic outcomes.
The authors propose that future work should focus on expanding the dataset to validate GAT’s effectiveness further, acknowledging that larger datasets may enhance classification performance with Pycaret. They suggest incorporating clinical diagnostic data, such as physical and biological examination results, into the learning process to improve real-world applicability in hospital settings. Additionally, the paper highlights potential advancements in GNN models, including the Adaptive Feature and Topology Graph Convolutional Neural Network (AAGCN) and three-dimensional adaptive graph convolutional neural network (3D-AGCN), as promising avenues for enhancing classification accuracy and efficiency in schizophrenia diagnosis.
Introduction
The introduction of this research paper discusses the significance of electroencephalograms (EEGs) in measuring brain electrical activity, highlighting their advantages over Magnetic Resonance Imaging (MRI) in cognitive science due to factors such as cost, availability, and minimal invasiveness. The classification of EEG data is complex, primarily due to the variability in channel arrangements and the non-linear nature of the data, which necessitates advanced modeling techniques. While neural networks have been traditionally used for simpler datasets, the unique characteristics of EEGs, represented in non-Euclidean space, pose challenges that Graph Neural Networks (GNNs) are well-equipped to address.
The paper emphasizes the potential of GNNs in classifying EEG recordings from patients with schizophrenia, a disorder characterized by diverse neurobiological factors. GNNs are noted for their ability to enhance diagnostic accuracy and prediction speed in non-linear data contexts, making them suitable for real-time analysis of EEG abnormalities. The authors outline the general design pipeline of GNN models, which includes propagation, sampling, and pooling modules, and propose to investigate specific GNN variants, such as Graph Attention Networks (GAT), in comparison to traditional Convolutional Neural Networks (CNNs). The study aims to evaluate the performance of these models in classifying schizophrenia EEGs and to identify the most effective method for improving prediction accuracy, with the potential for further exploration of additional GNN variants in future research.
Methods
The study utilized a dataset comprising 14 patients with paranoid schizophrenia and 14 healthy controls, with EEG recordings taken at a frequency of 250 Hz using a standard 10-20 montage across 19 channels. The analysis was conducted using the MNE library in Python, facilitated by the Anaconda Jupyter Lab IDE. PyCaret, a low-code machine learning library, was employed for various tasks including exploratory data analysis, data preprocessing, model training, and machine learning operations (MLOps), thereby enhancing productivity and efficiency in model experimentation.
The methodology focused on Graph Neural Networks (GNNs), specifically Graph Convolution Networks (GCN) and Graph Attention Networks (GAT), which are prominent in EEG classification. GCNs leverage convolutional layers to extract hierarchical features from EEG signals, allowing for the detection of subtle changes indicative of the patient’s condition. GATs, on the other hand, utilize attention mechanisms to discern significant connections within the EEG data, proving effective in classifying different brain activity types. The classification process is structured into three modules: collector, analyzer, and classifier, as illustrated in the accompanying figures.
Results
In the results section, the study presents findings from three classification approaches: Graph Convolutional Networks (GCN) with PyCaret, Graph Attention Networks (GAT) with PyCaret, and GAT combined with a classical neural network for classification. Key performance metrics such as sensitivity and specificity are defined, where sensitivity reflects the proportion of true positives correctly identified by the model, and specificity indicates the proportion of true negatives accurately predicted. The confusion matrix serves as a foundational metric for evaluating classification performance.
The dataset comprised 28 EEG recordings, with one-third allocated for testing, resulting in a confusion matrix that revealed four misclassifications against six correct predictions. The best decision tree classifier yielded a Receiver Operating Characteristic (ROC) curve with an Area Under the Curve (AUC) of 0.57, indicating that the model correctly identifies 57% of both sick and healthy individuals. The calculated sensitivity was 50%, while specificity was 66%, suggesting that while the model has acceptable sensitivity, its specificity raises concerns, as it incorrectly predicts schizophrenia in 34% of healthy individuals and misclassifies 50% of actual healthy cases.
Discussion
In this section, the authors discuss the comparative performance of Graph Convolutional Networks (GCN) and Graph Attention Networks (GAT) in classifying EEG data for schizophrenia diagnosis. They highlight that while GCN is widely used, GAT demonstrates superior sensitivity and specificity, achieving a sensitivity of 75% and specificity close to 80%. Despite GAT’s higher resource consumption, it exhibits a significantly lower error rate (5%) compared to GCN’s 43%. The authors emphasize the importance of these metrics in precision medicine, noting that GAT’s performance is promising for early diagnosis applications.
The discussion also touches on the integration of GCN with traditional Convolutional Neural Networks (CNNs), which yielded an accuracy of 80% but with a higher error rate than GAT. The authors propose future work to expand the dataset size to validate GAT’s effectiveness further and suggest incorporating additional clinical data into the learning process to enhance diagnostic accuracy. They also propose exploring advanced GNN models, such as the Adaptive Feature and Topology Graph Convolutional Neural Network (AAGCN) and three-dimensional adaptive graph convolutional neural networks (3D-AGCN), as potential avenues for improving classification performance in future research.