DOI: https://doi.org/10.54392/irjmt25515
تاريخ النشر: 2025-09-30
المؤلف: R. Kishore Kanna وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تبحث هذه الدراسة في تطبيق تقنيات تعلم الآلة (ML) للتعرف على أنماط تخطيط الدماغ الكهربائي (EEG) المرتبطة بالتدريب المعرفي. تقدم الدراسة نموذجًا جديدًا، وهو نموذج البحث الديناميكي المدفوع بالأرنب الاصطناعي المتقدم ثنائي الاتجاه (DAR-ABLSTM)، المصمم لتعزيز تصنيف بيانات EEG التي تم جمعها من 50 مشاركًا صحيًا خلال وبعد برنامج تدريب معرفي مدته خمسة أسابيع. يتم إجراء معالجة مسبقة لإشارات EEG الخام من خلال إجراء معالجة الإشارات، تليها تقييم الأداء المعرفي باستخدام اختبارين: اختبار الذاكرة واختبار PASAS الذي يقيم تقلبات المزاج.
تشير النتائج إلى أن نموذج DAR-ABLSTM يحقق أداء تصنيف مثير للإعجاب، مع مقاييس تشمل الحساسية بنسبة 94.53%، والدقة بنسبة 97.01%، ودرجة F1 بنسبة 95.72%، والخصوصية بنسبة 96.62%. تشير هذه النتائج إلى أن النموذج المقترح لا يقوم فقط بتصنيف أنماط EEG بشكل فعال ولكن أيضًا يظهر أداءً متفوقًا مقارنة بالطرق الحالية. بالإضافة إلى ذلك، تكشف الدراسة عن تغييرات كبيرة في كل من حالات المزاج السلبية والإيجابية استجابةً لطرق التدريب المعرفي المختلفة، مما يبرز التأثيرات الدقيقة للتدخلات المعرفية على نشاط الدماغ.
مقدمة
تناقش المقدمة تطبيق التعرف على أنماط EEG (تخطيط الدماغ الكهربائي) في التدريب المعرفي، مع التأكيد على دوره في تعزيز القدرات المعرفية من خلال تحليل الإشارات الكهربائية للدماغ. يتم تسليط الضوء على EEG كطريقة فعالة من حيث التكلفة تستخدم أجهزة استشعار على فروة الرأس لالتقاط نشاط الدماغ، ممثلة على شكل موجات تعكس حالات عقلية مختلفة. يتم استخدام هذه التكنولوجيا في التدريب المعرفي لفحص كيفية تأثير عمليات التفكير المختلفة وبرامج التدريب على خصائص الدماغ.
علاوة على ذلك، توضح المقدمة دمج EEG مع تقنيات التغذية الراجعة البيولوجية، التي تمكن الأفراد من تنظيم نشاطهم الدماغي بوعي. خلال المهام المعرفية أو التأمل، يتلقى المستخدمون تغذية راجعة في الوقت الحقيقي حول أنماط EEG الخاصة بهم، مما يمكنهم من تحسين وظائفهم المعرفية ورفاهيتهم العقلية من خلال تقليل الأنشطة الدماغية غير المرغوب فيها. يتم الإشارة إلى مزايا اكتشاف أنماط EEG في تعزيز القدرات المعرفية عبر مجالات متعددة، بما في ذلك الممارسات العلاجية، والرياضة، والبيئات التعليمية، حيث ثبت أنها تدعم تعلم الطلاب.
الطرق
في هذا القسم، يوضح المؤلفون منهجيتهم التي تشمل عدة عمليات رئيسية. شملت جمع البيانات جمع مجموعات البيانات ذات الصلة، تليها معالجة مسبقة باستخدام تطبيع z-score لتوحيد البيانات وتقليل تأثير القيم الشاذة. تم إجراء استخراج الميزات من خلال تحويل الموجات، مما يسمح بتحليل البيانات على دقة متعددة، مما يعزز تحديد الأنماط المهمة.
بعد ذلك، استخدمت الدراسة تقنيات التصنيف لتصنيف الميزات المستخرجة بشكل فعال. تم إجراء اختبارات معرفية لتقييم أداء المشاركين، وتم إخضاع النتائج لتحليل إحصائي صارم لضمان صحة وموثوقية النتائج. يبرز هذا النهج المنظم قوة تصميم البحث وشمولية الأساليب التحليلية المستخدمة.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على فعالية نموذج DAR-ABLSTM المدفوع بالبحث الديناميكي للأرنب الاصطناعي في تصنيف أنماط EEG المرتبطة بمهام التدريب المعرفي. من خلال دمج قدرات تحسين خوارزمية البحث بالأرنب الاصطناعي مع نقاط القوة في النمذجة الزمنية لـ LSTM ثنائي الاتجاه، يظهر DAR-ABLSTM مقاييس أداء متفوقة، محققًا دقة بنسبة 97.01%، وحساسية بنسبة 94.53%، وخصوصية بنسبة 96.62%، ودرجة F1 بنسبة 95.72%. تشير هذه النتائج إلى أن النموذج يتعلم بفعالية من بيانات EEG المعقدة، متجاوزًا طرق التعلم العميق التقليدية.
ومع ذلك، يعترف المؤلفون بالقيود، وخاصة الاعتماد على مجموعة بيانات تتكون فقط من مشاركين أصحاء، مما يتطلب مزيدًا من التحقق في السكان السريريين الذين يعانون من إعاقات معرفية أو اضطرابات مرتبطة بالتوتر. يقترحون أن دمج مجموعات بيانات متعددة الوسائط، بما في ذلك الإشارات الفسيولوجية أو السلوكية، يمكن أن يعزز قوة وملاءمة نظام التصنيف. بشكل عام، يظهر نموذج DAR-ABLSTM وعدًا كبيرًا في تعزيز التعرف التلقائي على أنماط EEG وتقييم التدريب المعرفي، مما يمثل خطوة نحو أنظمة المعلومات العصبية الذكية القادرة على المراقبة والتدريب في الوقت الحقيقي على المهارات المعرفية.
القيود
تقتصر نتائج الدراسة على حجم عينة يتكون من 50 مشاركًا فقط، مما قد يقيد إمكانية تعميم النتائج على مجموعات سكانية أكبر وأكثر تنوعًا. على الرغم من هذه القيود، فإن دمج تحديد أنماط EEG يحمل وعدًا لتسهيل التعديلات السريعة في التعلم التكيفي، مما قد يؤدي إلى تحسينات معرفية واستراتيجيات إعادة تأهيل محسنة. يجب أن تركز الأبحاث المستقبلية على تقييم فعالية النموذج عبر مجموعات ديموغرافية وسياقات معرفية مختلفة لتعزيز قابليته للتطبيق وقوته.
DOI: https://doi.org/10.54392/irjmt25515
Publication Date: 2025-09-30
Author(s): R. Kishore Kanna et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This research investigates the application of machine learning (ML) techniques for recognizing electroencephalogram (EEG) patterns associated with cognitive training. The study introduces a novel model, the Dynamic Artificial Rabbit Search-driven Advanced Bidirectional Long Short-Term Memory (DAR-ABLSTM), designed to enhance the classification of EEG data collected from 50 healthy participants during and after a five-week cognitive training program. The preprocessing of raw EEG signals is conducted through a signal processing procedure, followed by the evaluation of cognitive performance using two tests: a memory test and a PASAS test assessing mood variations.
The findings indicate that the DAR-ABLSTM model achieves impressive classification performance, with metrics including sensitivity at 94.53%, accuracy at 97.01%, F1-score at 95.72%, and specificity at 96.62%. These results suggest that the proposed model not only effectively categorizes EEG patterns but also demonstrates superior performance compared to existing methods. Additionally, the study reveals significant changes in both negative and positive mood states in response to different cognitive training methods, highlighting the nuanced effects of cognitive interventions on brain activity.
Introduction
The introduction discusses the application of EEG (electroencephalography) pattern recognition in cognitive training, emphasizing its role in enhancing cognitive abilities through the analysis of brain electrical signals. EEG is highlighted as a cost-effective method that utilizes scalp sensors to capture brain activity, represented as waveforms that reflect various mental states. This technology is employed in cognitive conditioning to examine how different thought processes and training programs influence brain characteristics.
Furthermore, the introduction outlines the integration of EEG with biofeedback techniques, which empower individuals to consciously regulate their cerebral activity. During cognitive tasks or meditation, users receive real-time feedback on their EEG patterns, enabling them to improve their cognitive functions and mental well-being by minimizing undesirable brain activities. The advantages of EEG pattern detection in cognitive enhancement are noted across multiple fields, including therapeutic practices, sports, and educational settings, where it has been shown to support student learning.
Methods
In this section, the authors detail their methodology encompassing several key processes. Data collection involved gathering relevant datasets, followed by preprocessing using z-score normalization to standardize the data and mitigate the effects of outliers. Feature extraction was performed through wavelet transform, which allows for the analysis of data at multiple resolutions, enhancing the identification of significant patterns.
Subsequently, the study employed classification techniques to categorize the extracted features effectively. Cognitive tests were administered to assess participants’ performance, and the results were subjected to rigorous statistical analysis to ensure the validity and reliability of the findings. This structured approach underscores the robustness of the research design and the thoroughness of the analytical methods employed.
Discussion
The discussion section of the paper highlights the efficacy of the proposed Dynamic Artificial Rabbit Search-driven Advanced Bidirectional Long Short-Term Memory (DAR-ABLSTM) model in classifying EEG patterns associated with cognitive training tasks. By integrating the optimization capabilities of the Artificial Rabbit Search algorithm with the temporal modeling strengths of Bidirectional LSTM, the DAR-ABLSTM demonstrates superior performance metrics, achieving an accuracy of 97.01%, sensitivity of 94.53%, specificity of 96.62%, and an F1-score of 95.72%. These results suggest that the model effectively learns from complex EEG data, surpassing traditional deep learning methods.
However, the authors acknowledge limitations, particularly the reliance on a dataset comprised solely of healthy participants, which necessitates further validation in clinical populations with cognitive impairments or stress-related disorders. They propose that incorporating multimodal datasets, including physiological or behavioral signals, could enhance the robustness and applicability of the classification system. Overall, the DAR-ABLSTM model shows significant promise for advancing automatic EEG pattern recognition and cognitive training evaluation, marking a step toward intelligent neuroinformatics systems capable of real-time monitoring and training of cognitive skills.
Limitations
The study’s findings are constrained by a sample size of only 50 participants, which may restrict the generalizability of the results to larger and more diverse populations. Despite this limitation, the integration of EEG pattern identification holds promise for facilitating rapid adjustments in adaptive learning, potentially leading to enhanced cognitive improvement and rehabilitation strategies. Future research should focus on evaluating the model’s effectiveness across different demographic groups and cognitive contexts to enhance its applicability and robustness.