DOI: https://doi.org/10.1038/s41598-025-93241-9
PMID: https://pubmed.ncbi.nlm.nih.gov/40091139
تاريخ النشر: 2025-03-16
المؤلف: T. Thamaraimanalan وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم البحث طريقة جديدة، PCA-ANFIS، لتحليل الأنماط المعرفية من خلال إشارات الدماغ، مع التركيز بشكل خاص على تعقيدات بيانات EEG. من خلال دمج تحليل المكونات الرئيسية (PCA) وأنظمة الاستدلال العصبي الضبابي التكيفية (ANFIS)، تقلل الطريقة بشكل فعال من الأبعاد مع الحفاظ على الميزات الأساسية، مما يؤدي إلى تحسين الكفاءة الحسابية. تشير الدراسة إلى دقة تصنيف مثيرة للإعجاب تبلغ 99.5%، متجاوزة بشكل كبير الطرق الحالية. تظهر التجارب الشاملة مع مجموعة بيانات EEG متعددة الأنماط تنوع PCA-ANFIS في التغلب على التحديات مثل تلوث الشوائب في EEG وعدم الاستقرار، مما يضمن استخراج الميزات والتصنيف بشكل موثوق.
تهدف الأعمال المستقبلية إلى تحسين نموذج PCA-ANFIS من خلال اختباره على مجموعات بيانات أكبر وأكثر تنوعًا، وتعزيز تقنيات معالجة البيانات الأولية لتقليل الضوضاء والشوائب، وتوسيع قابليته للتطبيق عبر مختلف الاضطرابات العصبية والمجموعات العرقية. بالإضافة إلى ذلك، ستحسن دمج الذكاء الاصطناعي القابل للتفسير (XAI) من قابلية تفسير النموذج للأطباء، بينما ستؤخذ الاعتبارات الأخلاقية ومعايير الخصوصية في الاعتبار. يسلط البحث الضوء على الإمكانية التي يوفرها PCA-ANFIS لتقدم علوم الأعصاب المعرفية والممارسات السريرية، مما يمهد الطريق لنماذج معرفية مخصصة واستراتيجيات تشخيص وعلاج محسنة للحالات العصبية.
طرق
في هذا القسم، يتم توضيح الطرق المستخدمة في الدراسة، مع التركيز على دقة تقنيات الحوسبة المختلفة. حققت طريقة مصفوفة الدقة، بالتزامن مع شبكة عصبية متعددة الطبقات (MLP)، معدل دقة مثير للإعجاب يبلغ 97%. بالإضافة إلى ذلك، استكشفت الدراسة تطبيق الشبكات المعقدة الموزونة مع آلات الدعم الناقل (SVM)، مما يشير إلى نهج قوي لتصنيف البيانات وتحليلها. تظهر هذه الطرق إمكانات كبيرة في تعزيز الأداء التنبؤي في المجال المعني.
نتائج
تسلط نتائج هذه الدراسة الضوء على فعالية نموذج المحاكاة المتكامل في فهم تفاعلات الدماغ والجسم من خلال تحليل إشارات EEG. باستخدام 20 ميزة من بيانات EEG، تم تدريب خمسة مصنفات من نظام الاستدلال العصبي الضبابي التكيفي (ANFIS) باستخدام مزيج من الانحدار العكسي وطرق المربعات الصغرى. تم حساب مقاييس الأداء مثل الدقة، والدقة، والاسترجاع، ودرجة F1، مما يكشف عن دقة تصنيف عالية عبر ثلاث فئات: “مسترخي”، “مركز”، و”محايد”. على وجه التحديد، حققت فئة “مسترخي” دقة ودقة تبلغ 100%، بينما حافظت فئة “مركز” على دقة تبلغ 100% ودقة تبلغ 98%. كما أظهرت فئة “محايد” أداءً قويًا بدقة تبلغ 95% واسترجاع مثالي.
علاوة على ذلك، استخدمت الدراسة تحليل المكونات الرئيسية (PCA) لتقليل الأبعاد وتصور هياكل البيانات، مما يكشف عن ارتباطات كبيرة بين نقاط البيانات ويعزز أداء التصنيف. تفوقت طريقة PCA-ANFIS على تقنيات التصنيف الأخرى، محققة دقة مثيرة للإعجاب تبلغ 99.5%، مقارنة بـ 98% لشبكة CNN أحادية البعد و97% لطريقة مصفوفة الدقة وMLP. تجاوزت مجموعة بيانات إشارات EEG المقترحة بشكل كبير أداء مجموعات بيانات أورام الدماغ الحالية (BRATS12 وBRATS13)، مما يبرز إمكاناتها للتطبيقات في التشخيص الطبي ومعالجة الإشارات. بشكل عام، تؤكد هذه النتائج على أهمية استكشاف طرق تصنيف متنوعة لتحسين الأداء في تحليل إشارات EEG.
نقاش
يسلط قسم النقاش في ورقة البحث الضوء على تزايد تطبيق خوارزميات التعلم الآلي (ML) في تشخيص الاضطرابات العصبية، وخاصة مرض الزهايمر (AD)، من خلال تحليل إشارات تخطيط الدماغ (EEG). أظهرت دراسة ملحوظة نظام ML مدفوع بالبيانات يصنف مقاطع EEG من المرضى الذين يعانون من AD، والضعف الإدراكي الخفيف (MCI)، والأشخاص الأصحاء (HC). يستخدم هذا النظام خرائط الزمن-التردد المتوسطة (aTFM) ومعاملات عددية من نطاقات EEG الفرعية الأساسية، محققًا دقة تصنيف مثيرة للإعجاب تبلغ 95.76% لمرض AD مقابل HC و86.84% لمرض AD مقابل MCI باستخدام شبكة عصبية متعددة الطبقات (MLP). ومع ذلك، يحذر المؤلفون من أن هذا العمل أولي ويجب أن توسع الأبحاث المستقبلية التصنيفات لتشمل MCI وHC، بالإضافة إلى استكشاف تصنيف شامل للمرضى.
يناقش القسم أيضًا منهجيات وإطارات مختلفة مقترحة في الدراسات ذات الصلة، مثل EEG-TCFNet، الذي يدمج الشبكات التلافيفية الزمنية (TCNs) وكتل عصبية ضبابية لتحسين تصنيف EEG. بينما تظهر هذه الأساليب وعدًا، فإنها تؤكد على الحاجة إلى مزيد من البحث لتقييم فعاليتها عبر تمارين عقلية متنوعة ومعالجة عدم التوازن في الفئات في مجموعات البيانات. بالإضافة إلى ذلك، تشير الورقة إلى التحديات في تشخيص الصرع، حيث حقق إطار عمل يستخدم وظائف العضوية الضبابية دقة عالية تبلغ 93.8%، ولكنه كان محدودًا بالاعتماد على مجموعات بيانات متاحة للجمهور. يجب أن تركز الجهود المستقبلية على التعاون مع الأطباء لجمع عينات مرضى متنوعة ودمج تطبيقات الهواتف الذكية لتشخيص أكثر كفاءة وفعالية من حيث التكلفة. بشكل عام، تؤكد النتائج على إمكانات ML في تعزيز تشخيص وفهم الاضطرابات العصبية من خلال تقنيات معالجة إشارات EEG المتقدمة.
DOI: https://doi.org/10.1038/s41598-025-93241-9
PMID: https://pubmed.ncbi.nlm.nih.gov/40091139
Publication Date: 2025-03-16
Author(s): T. Thamaraimanalan et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research presents a novel method, PCA-ANFIS, for analyzing cognitive patterns through brain signals, specifically addressing the complexities of EEG data. By integrating Principal Component Analysis (PCA) and Adaptive Neuro-Fuzzy Inference Systems (ANFIS), the method effectively reduces dimensionality while preserving essential features, leading to enhanced computational efficiency. The study reports an impressive classification accuracy of 99.5%, significantly surpassing existing methods. Comprehensive experiments with a diverse multimodal EEG dataset demonstrate the robustness of PCA-ANFIS in overcoming challenges such as EEG artifact contamination and non-stationarity, thereby ensuring reliable feature extraction and classification.
Future work aims to refine the PCA-ANFIS model by testing it on larger and more diverse datasets, enhancing data pre-processing techniques to minimize noise and artifacts, and expanding its applicability across various neurological disorders and ethnic groups. Additionally, the incorporation of explainable AI (XAI) will improve model interpretability for clinicians, while considerations for ethical and privacy standards will be prioritized. The research highlights the potential for PCA-ANFIS to advance cognitive neuroscience and clinical practices, paving the way for personalized cognitive models and improved diagnostic and treatment strategies for neurological conditions.
Methods
In this section, the methods employed in the study are outlined, focusing on the accuracy of various computational techniques. The Accuracy Matrix determinant method, in conjunction with a Multi-Layer Perceptron (MLP), achieved an impressive accuracy rate of 97%. Additionally, the study explored the application of weighted complex networks combined with Support Vector Machines (SVM), indicating a robust approach to data classification and analysis. These methods demonstrate significant potential in enhancing predictive performance in the relevant domain.
Results
The results of this study highlight the effectiveness of the integrated simulator paradigm in understanding brain-body interactions through EEG signal analysis. Utilizing 20 features from EEG data, five Adaptive Neuro-Fuzzy Inference System (ANFIS) classifiers were trained using a combination of backpropagation gradient descent and least squares methods. Performance metrics such as accuracy, precision, recall, and F1-score were calculated, revealing high classification accuracy across three classes: “Relaxed,” “Concentrating,” and “Neutral.” Specifically, the “Relaxed” class achieved 100% accuracy and precision, while the “Concentrating” class maintained an accuracy of 100% and a precision of 98%. The “Neutral” class also demonstrated strong performance with 95% accuracy and perfect recall.
Furthermore, the study employed Principal Component Analysis (PCA) to reduce dimensionality and visualize data structures, revealing significant correlations among data points and enhancing classification performance. The PCA-ANFIS method outperformed other classification techniques, achieving an impressive accuracy of 99.5%, compared to 98% for a 1D CNN and 97% for a matrix determinant and MLP approach. The proposed EEG signal dataset significantly surpassed the performance of existing brain tumor datasets (BRATS12 and BRATS13), underscoring its potential for applications in medical diagnostics and signal processing. Overall, these findings emphasize the importance of exploring diverse classification methods to optimize performance in EEG signal analysis.
Discussion
The discussion section of the research paper highlights the increasing application of machine learning (ML) algorithms in diagnosing neurological disorders, particularly Alzheimer’s disease (AD), through the analysis of electroencephalogram (EEG) signals. A notable study demonstrated a data-driven ML system that categorizes EEG segments from patients with AD, mild cognitive impairment (MCI), and healthy controls (HC). This system utilizes average Time-Frequency Maps (aTFM) and numerical coefficients from primary EEG sub-bands, achieving impressive classification accuracies of 95.76% for AD vs. HC and 86.84% for AD vs. MCI using a multi-layer perceptron (MLP). However, the authors caution that this work is preliminary and future research should expand classifications to include MCI and HC, as well as explore comprehensive patient classification.
The section also discusses various methodologies and frameworks proposed in related studies, such as the EEG-TCFNet, which integrates temporal convolutional networks (TCNs) and fuzzy neural blocks for improved EEG classification. While these approaches show promise, they emphasize the need for further research to assess their effectiveness across diverse mental exercises and address class imbalances in datasets. Additionally, the paper notes the challenges in epilepsy diagnosis, where a framework utilizing fuzzy membership functions achieved a high accuracy of 93.8%, yet was limited by reliance on publicly available datasets. Future efforts should focus on collaboration with clinicians to gather diverse patient samples and integrate smartphone applications for more efficient and cost-effective diagnosis. Overall, the findings underscore the potential of ML in enhancing the diagnosis and understanding of neurological disorders through advanced EEG signal processing techniques.