DOI: https://doi.org/10.1038/s41598-025-92378-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40140460
تاريخ النشر: 2025-03-27
المؤلف: Filip Postepski وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تبحث الدراسة في فعالية تقنية التصوير الموجه (GI) في تعزيز راحة المرضى عبر مختلف الاضطرابات، باستخدام مجموعة من 26 طالبًا لتقييم الفروقات بين حالات الاسترخاء العميق والعبء العقلي. باستخدام مكبرات كهربائية للدماغ ذات مصفوفة كثيفة، تستكشف الدراسة تصنيف هذه الحالات باستخدام نماذج التعلم العميق المتقدمة، بما في ذلك EEGNet وذاكرة طويلة وقصيرة المدى (LSTM) والشبكات العصبية التلافيفية أحادية البعد (CNN). تشير النتائج إلى أن استخدام الأقطاب الكهربائية المعرفية وحدها ينتج عنه نتائج تصنيف قابلة للمقارنة مع تلك التي تم الحصول عليها من إعداد كامل مكون من 256 قناة، مما يشير إلى نهج أكثر كفاءة في جمع البيانات.
تظهر النتائج أن EEGNet يظهر كأكثر نموذج موثوق لمهام تصنيف EEG، خاصة من حيث الدقة عبر كلا المجموعتين. كما يظهر 1D-CNN وعدًا، خاصة مع مجموعة البيانات المعرفية (COGN-26)، بينما يظهر LSTM أداءً أقل، مما يشير إلى الحاجة إلى مزيد من التحسين. تسلط الدراسة الضوء على إمكانيات تحليل EEG في تطوير واجهات الدماغ-الكمبيوتر (BCIs) المخصصة للتطبيقات العلاجية، مع التأكيد على تحديد العلامات الحيوية لـ EEG المرتبطة بحالات GI. يمكن أن تمكن هذه الرؤى من تقديم ملاحظات في الوقت الحقيقي للمعالجين، مما يعزز تخصيص وفعالية جلسات GI، مما يؤدي في النهاية إلى تحسين النتائج العلاجية.
طرق البحث
في هذه الدراسة، تم جمع الإشارة من مجموعة من 26 ذكراً أعسرًا تتراوح أعمارهم بين 19 و24 عامًا، مع وضع معايير اختيار تهدف إلى تقليل تأثير التوجه الدماغي المرتبط باليد. حصل بروتوكول البحث على موافقة من لجنة الأخلاقيات الحيوية بجامعة ماريا كوري-سكلودوفسكا، مما يضمن الالتزام بالمعايير الأخلاقية في الممارسات التجريبية. تم إجراء التجارب تحت إشراف علماء نفس مؤهلين، وقد قدم جميع المشاركين موافقة مستنيرة، معترفين بفهمهم لغرض الدراسة قبل تسجيل إشارة EEG.
النتائج
في هذه الدراسة، تم تقييم هياكل الشبكات العصبية المختلفة لأدائها على بيانات EEG باستخدام Keras وTensorFlow 2.15، مع إجراء الاختبارات على جهاز Intel i7 مزود ببطاقة رسومات Nvidia GeForce RTX 4070. كان نموذج EEGNet بمثابة مرجع، حيث حقق دقة متوسطة قدرها 0.7615 و0.7646 على مجموعتي البيانات FULL-256 وCOGN-26، على التوالي، مع تجاوز جميع مقاييس التحقق (الدقة، الاسترجاع، F1-score) 0.75، مما يدل على قوته. كان أداء نموذج LSTM، مع طبقة واحدة، أقل تفضيلاً، حيث حقق دقة قدرها 0.7250 على مجموعة بيانات FULL-256 و0.6833 على COGN-26، مما يجعله أقل النماذج فعالية.
أظهر نموذج 1D-CNN أداءً تنافسياً، حيث حقق دقة قدرها 0.7682 على مجموعة بيانات FULL-256 و0.7556 على COGN-26، قابلة للمقارنة مع EEGNet. ومن الجدير بالذكر أن نموذج 1D-CNN-LSTM الهجين حقق أعلى دقة قدرها 0.8094 على مجموعة الأقطاب الكهربائية المعرفية، إلى جانب مقاييس F1-score والدقة القوية. في التحقق المتقاطع Leave-One-Subject-Out، حافظ EEGNet على أداء ثابت عبر مجموعات البيانات، بينما أظهر نموذج LSTM تباينًا عاليًا ودقة أقل. على العكس، تفوق نموذج 1D-CNN بشكل خاص على مجموعة بيانات COGN-26، مما يشير إلى فعاليته في استخراج الميزات من البيانات المحددة بالمهام. بشكل عام، تسلط النتائج الضوء على تفوق نماذج 1D-CNN وEEGNet في مهام تصنيف EEG، مع تداعيات لتطبيقها في السيناريوهات العملية.
المناقشة
في هذه الدراسة، بحث المؤلفون في فعالية أربعة هياكل مختلفة من الشبكات العصبية—EEGNet وLSTM و1D-CNN و1D-CNN-LSTM—لتصنيف إشارات EEG المرتبطة بالتصوير الموجه ومهام العبء العقلي. تم اختيار المشاركين بعناية بناءً على معايير إدراج واستبعاد محددة، مما يضمن عينة متجانسة من الذكور الأصحاء الذين يستخدمون اليد اليمنى وتتراوح أعمارهم بين 19-24. تم تسجيل إشارات EEG باستخدام مصفوفة كثيفة مكونة من 256 قناة وتمت معالجتها مسبقًا لإزالة الضوضاء والحفاظ على سلامة البيانات. كشفت الدراسة أن نموذج 1D-CNN حقق أعلى دقة (80%) عند استخدام مجموعة فرعية من 26 قطبًا كهربائيًا معرفيًا، بينما أظهر EEGNet أداءً موثوقًا عبر كلا مجموعتي البيانات. كان أداء نموذج LSTM أقل مقارنةً بالآخرين، خاصة في سيناريوهات التحقق المتقاطع، مما يشير إلى الحاجة إلى مزيد من الضبط والتحسين.
تشير النتائج إلى أن طرق التعلم العميق يمكن أن تصنف إشارات EEG بفعالية دون الحاجة إلى استخراج ميزات يدوية واسعة، معتمدة بدلاً من ذلك على معالجة البيانات الخام. كما تسلط النتائج الضوء على الإمكانية لاستخدام عدد أقل من الأقطاب الكهربائية دون التضحية بأداء التصنيف، كما يتضح من النتائج القابلة للمقارنة من إعداد 26 قناة. يعترف المؤلفون بالقيود المتعلقة بحجم العينة واستبعاد المشاركات الإناث، مقترحين أبحاثًا مستقبلية لتوسيع مجموعة المشاركين واستكشاف هياكل بديلة. بشكل عام، تسهم الدراسة في زيادة الأدبيات حول تصنيف إشارات EEG، مما يوضح جدوى الأساليب المعتمدة على CNN في التطبيقات الطبية الحيوية.
DOI: https://doi.org/10.1038/s41598-025-92378-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40140460
Publication Date: 2025-03-27
Author(s): Filip Postepski et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research investigates the efficacy of the Guided Imagery (GI) technique in enhancing patient comfort across various disorders, utilizing a cohort of 26 students to assess the differences between states of deep relaxation and mental workload. Employing dense array electroencephalographic (EEG) amplifiers, the study explores the classification of these states using advanced deep learning models, including EEGNet, Long Short-Term Memory (LSTM), and 1D Convolutional Neural Networks (CNN). The findings indicate that utilizing cognitive electrodes alone yields classification results comparable to those obtained from a full 256-channel setup, suggesting a more efficient data collection approach.
The results demonstrate that EEGNet emerges as the most reliable model for EEG-based classification tasks, particularly in terms of accuracy across both datasets. The 1D-CNN also shows promise, especially with the cognitive dataset (COGN-26), while LSTM underperforms, indicating a need for further refinement. The study highlights the potential of EEG analysis in developing brain-computer interfaces (BCIs) tailored for therapeutic applications, emphasizing the identification of EEG biomarkers associated with GI states. These insights could enable real-time feedback for therapists, enhancing the personalization and effectiveness of GI sessions, ultimately improving therapeutic outcomes.
Methods
In this study, the signal was collected from a cohort of 26 right-handed males aged 19 to 24 years, with the selection criteria aimed at minimizing the influence of brain lateralization associated with handedness. The research protocol received approval from the Maria Curie-Skłodowska University Bioethical Commission, ensuring adherence to ethical standards in experimental practices. The experiments were conducted under the supervision of qualified psychologists, and all participants provided informed consent, acknowledging their understanding of the study’s purpose prior to EEG signal recording.
Results
In this study, various neural network architectures were evaluated for their performance on EEG data using Keras and TensorFlow 2.15, with testing conducted on an Intel i7 machine equipped with an Nvidia GeForce RTX 4070 GPU. The EEGNet model served as a reference, achieving average accuracies of 0.7615 and 0.7646 on the FULL-256 and COGN-26 datasets, respectively, with all validation metrics (precision, recall, F1-score) exceeding 0.75, indicating its robustness. The LSTM model, with a single layer, performed less favorably, achieving an accuracy of 0.7250 on the FULL-256 dataset and 0.6833 on COGN-26, marking it as the least effective model.
The 1D-CNN model demonstrated competitive performance, achieving an accuracy of 0.7682 on the FULL-256 dataset and 0.7556 on COGN-26, comparable to EEGNet. Notably, the hybrid 1D-CNN-LSTM model yielded the highest accuracy of 0.8094 on the cognitive electrodes subset, alongside strong F1-score and precision metrics. In Leave-One-Subject-Out cross-validation, EEGNet maintained consistent performance across datasets, while the LSTM model exhibited high variability and lower accuracy. Conversely, the 1D-CNN model excelled particularly on the COGN-26 dataset, suggesting its effectiveness in extracting features from task-specific data. Overall, the findings highlight the superiority of the 1D-CNN and EEGNet models in EEG classification tasks, with implications for their application in practical scenarios.
Discussion
In this study, the authors investigated the effectiveness of four different neural network architectures—EEGNet, LSTM, 1D-CNN, and 1D-CNN-LSTM—for classifying EEG signals associated with Guided Imagery and mental workload tasks. Participants were carefully selected based on specific inclusion and exclusion criteria, ensuring a homogeneous sample of healthy, right-handed males aged 19-24. The EEG signals were recorded using a 256-channel dense array and pre-processed to remove noise and maintain data integrity. The study revealed that the 1D-CNN model achieved the highest accuracy (80%) when using a subset of 26 cognitive electrodes, while EEGNet demonstrated reliable performance across both datasets. The LSTM model underperformed relative to the others, particularly in cross-validation scenarios, indicating a need for further tuning and optimization.
The findings suggest that deep learning methods can effectively classify EEG signals without extensive manual feature extraction, relying instead on raw data processing. The results also highlight the potential for using fewer electrodes without sacrificing classification performance, as evidenced by the comparable results from the 26-channel setup. The authors acknowledge limitations related to sample size and the exclusion of female participants, proposing future research to expand the participant pool and explore alternative architectures. Overall, the study contributes to the growing body of literature on EEG signal classification, demonstrating the viability of CNN-based approaches in biomedical applications.