DOI: https://doi.org/10.1109/access.2025.3532515
تاريخ النشر: 2025-01-01
المؤلف: Souhaila Khalfallah وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تستكشف هذه الدراسة تطبيق تقنيات التعلم الآلي (ML) والتعلم العميق (DL) لمعالجة إشارات تخطيط الدماغ الكهربائي (EEG) لتحديد الاضطرابات العصبية المختلفة، مثل الصرع، واضطراب طيف التوحد (ASD)، ومرض الزهايمر، والتي تؤثر مجتمعة على حوالي 15% من السكان العالميين. توضح الأبحاث سير عمل شامل يتضمن جمع بيانات EEG، والمعالجة المسبقة باستخدام مرشحات الاستجابة النبضية المحدودة (FIR) وتحليل المكونات المستقلة (ICA) لإزالة الضوضاء، والتقسيم لاستخراج الميزات. يتم استخدام ميزات رئيسية مثل طاقة النطاق وإنتروبيا شانون لتعزيز دقة التصنيف، مع تخزين النتائج في قاعدة بيانات غير متصلة لتحليل لاحق.
تكشف النتائج عن دقة تصنيف عالية، حيث حقق نموذج الغابة العشوائية دقة 99.85% في تمييز التوحد عن الأفراد الأصحاء و100% في تمييز الأفراد الأصحاء عن أولئك الذين يعانون من الخرف باستخدام آلات الدعم المتجه (SVM). بالإضافة إلى ذلك، أظهرت نماذج التعلم العميق، بما في ذلك الشبكات العصبية التلافيفية (CNN) وChronoNet، معدلات دقة تتراوح بين 92.5% و100%. تؤكد هذه الأبحاث على إمكانيات منهجيات ML وDL في معالجة إشارات EEG، مما يساهم بشكل كبير في التقدم في واجهات الدماغ-الكمبيوتر وتحسين تصنيف وتشخيص الاضطرابات العصبية.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على أهمية إشارات تخطيط الدماغ الكهربائي (EEG) في فهم وظيفة الدماغ وتطبيقها في واجهات الدماغ-الكمبيوتر (BCIs) لتشخيص الاضطرابات العصبية. توضح الدور الأساسي للخلايا العصبية في توليد الإشارات الكهربائية، المعروفة باسم إمكانات العمل، والتي يتم التقاطها كإشارات EEG على فروة الرأس. توفر هذه الإشارات، التي تتميز بمجموعات ترددية مختلفة (دلتا، ثيتا، ألفا، بيتا، وغاما)، رؤى حول حالات الدماغ المختلفة. تناقش الورقة كل من الطرق الغازية وغير الغازية لجمع إشارات EEG، مشيرة إلى مزايا التقنيات غير الغازية في البيئات السريرية والبحثية.
على الرغم من إمكانيات EEG في تشخيص الحالات العصبية، لا تزال هناك عدة تحديات قائمة، بما في ذلك عيوب الإشارة، والدقة المكانية المحدودة، والتباين بين الأفراد. تسلط الورقة الضوء على أهمية المنهجيات المتقدمة، مثل التعلم الآلي والتعلم العميق، في تعزيز دقة وموثوقية أدوات التشخيص المعتمدة على EEG. تستعرض المساهمات الرئيسية في هذا المجال، مع عرض مجموعات بيانات وأساليب استخراج ميزات مختلفة أدت إلى تحسينات كبيرة في دقة التصنيف لحالات مثل القلق، والصرع، واضطراب الاكتئاب الشديد. تمهد المقدمة الطريق لاستكشاف مفصل للمنهجيات المستخدمة في تحليل EEG وآثار هذه النتائج على الأبحاث المستقبلية في تصنيف واجهات الدماغ-الآلة والأمراض العصبية.
الطرق
تم تصميم منهجية هذه الدراسة لتقييم فعالية تقنيات التعلم الآلي (ML) والتعلم العميق (DL) في تصنيف إشارات تخطيط الدماغ الكهربائي (EEG) المتعلقة بالاضطرابات العصبية. تشمل المقاربة عدة مكونات حاسمة: جمع البيانات، حيث يتم جمع إشارات EEG؛ المعالجة المسبقة، التي تتضمن تنظيف البيانات وتحضيرها للتحليل؛ واستخراج الميزات، التي تهدف إلى تحديد الخصائص ذات الصلة لإشارات EEG.
بعد ذلك، تنفذ الدراسة نماذج ML وDL مختلفة لتصنيف بيانات EEG المعالجة. يتم تقييم أداء هذه النماذج باستخدام مقاييس محددة، مما يضمن تحليلًا شاملاً لفعاليتها في التمييز بين حالات عصبية مختلفة بناءً على إشارات EEG. تتيح هذه المنهجية المنظمة استكشافًا منهجيًا لقدرات التقنيات الحاسوبية المتقدمة في سياق تصنيف الاضطرابات العصبية.
النتائج
في قسم النتائج، تقيم الدراسة أداء مصنفات التعلم الآلي المختلفة—آلات الدعم المتجه (SVM)، وأقرب الجيران (KNN)، والانحدار اللوجستي—على تصنيف إشارات EEG. تضمنت التجارب استخراج الميزات من إشارات EEG، باستخدام مجموعتين متميزتين من الميزات: الأولى تضمنت مقاييس إحصائية (الحد الأدنى، الحد الأقصى، الانحراف المعياري، المتوسط، المتوسط التربيعي، الانحراف، والكورتوز)، بينما الثانية تضمنت طاقة النطاق، إنتروبيا شانون، الكورتوز، المتوسط، الانحراف، وPwelch. أظهر تقسيم إشارات EEG إلى فترات زمنية مختلفة (120 ثانية، 40 ثانية، و10 ثوانٍ) أن الفترات الزمنية الأقصر (10 ثوانٍ) حققت أداءً تصنيفيًا متفوقًا، مما يعكس الديناميات الزمنية لإشارات EEG بشكل فعال.
تشير النتائج إلى أن المجموعة الثانية من الميزات تفوقت على الأولى، خاصة في مهام التصنيف متعددة الفئات. ومن الجدير بالذكر أن الغابة العشوائية حققت دقة مثيرة للإعجاب بلغت 99.77% لمهمة الأصحاء مقابل الصرع باستخدام ميزات تحويل المويجات المتقطعة (DWT)، بينما وصلت KNN إلى دقة 99.88% لمجموعة بيانات التوحد. أظهر التحليل القائم على العمر أن الفئات العمرية الأكبر حققت أداءً أفضل قليلاً عبر المصنفات، مما يبرز أهمية أنماط الإشارة المرتبطة بالعمر في تشخيص EEG. بالإضافة إلى ذلك، أظهرت بنية CNN أداءً استثنائيًا، محققة دقة قريبة من الكمال (99.91%) في مهمة الأصحاء مقابل التوحد، بينما أدت ChronoNet أيضًا بشكل جيد لكنها واجهت صعوبة في تصنيف مرض الزهايمر. بشكل عام، تؤكد النتائج على فعالية مجموعات الميزات المخصصة والمصنفات الفعالة في تعزيز دقة تصنيف EEG، مع آثار على تطوير أجهزة توقع النوبات القابلة للارتداء ذات الكفاءة الحاسوبية.
المناقشة
في هذه الدراسة، بحث المؤلفون فعالية نماذج التعلم الآلي (ML) والتعلم العميق (DL) في تصنيف إشارات EEG المرتبطة بمختلف الاضطرابات العصبية، بما في ذلك الفصام، والتوحد، والصرع، والخرف، ومرض الزهايمر. استخدموا مجموعات بيانات EEG متنوعة، تتضمن تسجيلات من أفراد أصحاء ومرضى بحالات محددة، لتعزيز فهم أنماط نشاط الدماغ. تضمنت مرحلة المعالجة المسبقة تقنيات مثل التصفية، وإزالة العيوب باستخدام تحليل المكونات المستقلة (ICA)، وتقسيم البيانات، والتي كانت حاسمة في تحضير بيانات EEG للتحليل. أدت عملية استخراج الميزات، وخاصة الجمع بين Pwelch، وإنتروبيا شانون، وطاقة النطاق، إلى تحسين كبير في أداء التصنيف، حيث حققت فترة زمنية مدتها 10 ثوانٍ نتائج مثالية.
أشارت النتائج إلى أن كل من خوارزميات SVM والغابة العشوائية حققت باستمرار دقة عالية عبر مجموعات بيانات مختلفة، بينما أظهرت هياكل CNN وChronoNet أداءً قويًا في التمييز بين الأفراد الأصحاء وأولئك الذين يعانون من اضطرابات عصبية. على الرغم من النتائج الواعدة، اعترفت الدراسة بالقيود، مثل حجم مجموعة البيانات الصغيرة نسبيًا، والتي قد تؤثر على قابلية تعميم النتائج. يجب أن تركز الأبحاث المستقبلية على الحصول على مجموعات بيانات أكبر، ودمج البيانات متعددة الأنماط، وتعزيز قابلية تفسير نماذج DL لتسهيل تطبيقها السريري. بشكل عام، تؤكد النتائج على إمكانيات أنظمة التشخيص المعتمدة على EEG لدعم الأطباء في التشخيص المبكر والدقيق، مما يمهد الطريق لاستراتيجيات علاج محسنة.
DOI: https://doi.org/10.1109/access.2025.3532515
Publication Date: 2025-01-01
Author(s): Souhaila Khalfallah et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This study investigates the application of machine learning (ML) and deep learning (DL) techniques for processing Electroencephalography (EEG) signals to identify various neurological disorders, such as Epilepsy, Autism Spectrum Disorder (ASD), and Alzheimer’s disease, which collectively impact around 15% of the global population. The research outlines a comprehensive workflow that includes EEG data acquisition, preprocessing using Finite Impulse Response (FIR) filters and Independent Component Analysis (ICA) to remove noise, and segmentation for feature extraction. Key features like Bandpower and Shannon entropy are utilized to enhance classification accuracy, with results stored in an offline database for subsequent analysis.
The findings reveal high classification accuracy, with the random forest model achieving 99.85% accuracy in differentiating autism from healthy subjects and 100% accuracy in distinguishing healthy individuals from those with dementia using Support Vector Machines (SVM). Additionally, deep learning models, including Convolutional Neural Networks (CNN) and ChronoNet, exhibited accuracy rates between 92.5% and 100%. This research underscores the potential of ML and DL methodologies in EEG signal processing, contributing significantly to advancements in brain-computer interfaces and improving the classification and diagnosis of neurological disorders.
Introduction
The introduction of this research paper emphasizes the significance of electroencephalogram (EEG) signals in understanding brain function and their application in brain-computer interfaces (BCIs) for diagnosing neurological disorders. It outlines the fundamental role of neurons in generating electrical signals, known as action potentials, which are captured as EEG signals on the scalp. These signals, characterized by various frequency bands (delta, theta, alpha, beta, and gamma), provide insights into different brain states. The paper discusses both invasive and non-invasive methods for EEG signal acquisition, noting the advantages of non-invasive techniques in clinical and research settings.
Despite the potential of EEG in diagnosing neurological conditions, several challenges persist, including signal artifacts, limited spatial resolution, and variability among individuals. The paper highlights the importance of advanced methodologies, such as machine learning and deep learning, in enhancing the accuracy and reliability of EEG-based diagnostic tools. It reviews key contributions in the field, showcasing various datasets and feature extraction methods that have led to significant improvements in classification accuracy for conditions like anxiety, epilepsy, and major depressive disorder. The introduction sets the stage for a detailed exploration of the methodologies employed in EEG analysis and the implications of these findings for future research in brain-machine interfaces and neurological disease classification.
Methods
The methodology of this study is designed to thoroughly assess the effectiveness of machine learning (ML) and deep learning (DL) techniques in classifying electroencephalogram (EEG) signals related to neurological disorders. The approach encompasses several critical components: data acquisition, where EEG signals are collected; preprocessing, which involves cleaning and preparing the data for analysis; and feature extraction, aimed at identifying relevant characteristics of the EEG signals.
Subsequently, the study implements various ML and DL models to classify the processed EEG data. The performance of these models is evaluated using specific metrics, ensuring a comprehensive analysis of their effectiveness in distinguishing between different neurological conditions based on EEG signals. This structured methodology allows for a systematic exploration of the capabilities of advanced computational techniques in the context of neurological disorder classification.
Results
In the results section, the study evaluates the performance of various machine learning classifiers—Support Vector Machines (SVM), K-Nearest Neighbors (KNN), and Logistic Regression—on EEG signal classification. The experiments involved feature extraction from EEG signals, utilizing two distinct feature combinations: the first included statistical measures (minimum, maximum, standard deviation, mean, mean square, skewness, and kurtosis), while the second incorporated bandpower, Shannon entropy, kurtosis, mean, skewness, and Pwelch. The segmentation of EEG signals into epochs of varying lengths (120s, 40s, and 10s) revealed that shorter epochs (10s) yielded superior classification performance, effectively capturing the temporal dynamics of EEG signals.
The findings indicate that the second feature combination outperformed the first, particularly in multiclass classification tasks. Notably, Random Forest achieved an impressive accuracy of 99.77% for the Healthy vs. Epilepsy task using Discrete Wavelet Transform (DWT) features, while KNN reached 99.88% accuracy for the Autism dataset. Age-based analysis showed that older age groups exhibited slightly better performance across classifiers, emphasizing the importance of age-related signal patterns in EEG diagnostics. Additionally, the CNN architecture demonstrated exceptional performance, achieving near-perfect accuracy (99.91%) in the Healthy vs. Autism task, while ChronoNet also performed well but struggled with Alzheimer’s classification. Overall, the results underscore the effectiveness of tailored feature sets and efficient classifiers in enhancing EEG classification accuracy, with implications for the development of computationally efficient wearable seizure prediction devices.
Discussion
In this study, the authors investigated the efficacy of machine learning (ML) and deep learning (DL) models for classifying EEG signals associated with various neurological disorders, including schizophrenia, autism, epilepsy, dementia, and Alzheimer’s disease. They utilized diverse EEG datasets, comprising recordings from healthy individuals and patients with specific conditions, to enhance the understanding of brain activity patterns. The preprocessing phase involved techniques such as filtering, artifact removal using Independent Component Analysis (ICA), and data epoching, which were crucial for preparing the EEG data for analysis. The feature extraction process, particularly the combination of Pwelch, Shannon entropy, and band power, significantly improved classification performance, with a 10-second epoch length yielding optimal results.
The results indicated that both SVM and Random Forest algorithms consistently achieved high accuracy across different datasets, while the CNN and ChronoNet architectures demonstrated strong performance in distinguishing between healthy individuals and those with neurological disorders. Despite the promising outcomes, the study acknowledged limitations, such as the relatively small dataset size, which may affect the generalizability of the findings. Future research should focus on acquiring larger datasets, integrating multimodal data, and enhancing the interpretability of DL models to facilitate their clinical application. Overall, the findings underscore the potential of EEG-based diagnostic systems to support clinicians in early and accurate diagnosis, paving the way for improved treatment strategies.