DOI: https://doi.org/10.1038/s41598-025-95831-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40274853
تاريخ النشر: 2025-04-24
المؤلف: Yousra Berrich وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تدرس هذه الدراسة فعالية النماذج الهجينة التي تجمع بين الشبكات العصبية التلافيفية (CNN) والشبكات العصبية العميقة (DNN) مع آلات الدعم الناقل (SVM) لاكتشاف الصرع، باستخدام تحليل المكونات الرئيسية (PCA) لتقليل أبعاد الميزات. تم اختبار النماذج على مجموعتين مرجعيتين لتخطيط الدماغ EEG: مجموعة بيانات التعرف على نوبات الصرع وقاعدة بيانات BONN. تشير النتائج إلى أن نموذج CNN حقق دقة قدرها 99.04% على مجموعة بيانات التعرف على نوبات الصرع و99.78% على مجموعة بيانات BONN، بينما وصل نموذج DNN إلى 96.91% و96.97%، على التوالي. أدى دمج PCA إلى تحسين كبير في أداء نموذج CNN-SVM-PCA ليصل إلى 99.42% و99.96% للمجموعتين المعنيتين، مع تحسينات ملحوظة في نموذج DNN-SVM أيضًا.
في الختام، تقدم تطبيقات تقنيات التعلم العميق في اكتشاف الصرع مزايا كبيرة للتشخيص المبكر والعلاج الشخصي، مما يحسن في النهاية جودة حياة المرضى. بينما تتفوق نماذج CNN عمومًا على نماذج DNN من حيث الدقة، إلا أنها تتطلب موارد حسابية أكبر. يمكن أن يعزز دمج SVM الأداء أكثر ولكنه يزيد من وقت التنفيذ، وهو تحدٍ يتم التخفيف منه من خلال قدرات تقليل الأبعاد لـ PCA. يجب أن تهدف الأبحاث المستقبلية إلى تحسين هذه الهياكل الهجينة واستكشاف تقنيات تقليل الأبعاد البديلة، مع معالجة التحديات العملية لتنفيذ هذه النماذج في البيئات السريرية. يعد تعزيز القوة ضد الشوائب في EEG وضمان التكامل السلس في أنظمة المستشفيات أمرًا حيويًا لتقدم المراقبة في الوقت الحقيقي وتحسين نتائج المرضى في رعاية الصرع.
الطرق
في هذه الدراسة، يتم اقتراح خط أنابيب تصنيف يستخدم شبكة عصبية تلافيفية (CNN) لاستخراج الميزات، تليها تحليل المكونات الرئيسية (PCA) لتقليل الأبعاد، وآلة الدعم الناقل (SVM) للتصنيف. تهدف المنهجية إلى تقييم تأثير PCA على تمثيل الميزات وأداء نماذج CNN والشبكات العصبية العميقة (DNN). تم تقييم النماذج على مدى 50 حقبة باستخدام مقاييس أداء متنوعة، بما في ذلك الدقة، ومعدلات الخطأ، ووقت التنفيذ، واستخدام وحدة المعالجة المركزية، وذاكرة الوصول العشوائي، عبر نسب تقسيم التدريب والاختبار المختلفة (70:30، 80:20، 90:10)، مع التركيز الأساسي على نسبة 20:80 للتقييم الأمثل.
تشير النتائج إلى أن نموذج CNN يتفوق على نموذج DNN في استخراج الميزات، حيث حقق دقة قدرها 99.04% مع معدل خطأ قدره 0.0359، بينما وصل نموذج DNN إلى دقة 96.91% ومعدل خطأ 0.1119. من الجدير بالذكر أن وقت تنفيذ نموذج CNN تأثر بشكل كبير بهيكله، حيث شكل حوالي 35% من إجمالي وقت التنفيذ، والذي تم تقليله بنسبة 35% عند تطبيق PCA. كما وجدت الدراسة أن النماذج التي تتضمن SVM، مثل CNN-SVM وDNN-SVM، أظهرت زيادة في أوقات التنفيذ واستخدام الذاكرة مقارنةً بنماذج DNN الأبسط. علاوة على ذلك، أظهرت النماذج المقترحة CNN-PCA-SVM وDNN-PCA-SVM أداءً تنافسياً ضد الأساليب الحديثة، محققة دقة عالية (99.96% و99.97%، على التوالي) مع فترات ثقة ضيقة، مما يبرز فعالية دمج PCA مع SVM في تعزيز دقة التصنيف وتقليل عدم اليقين.
النتائج
تقدم قسم النتائج نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الأساليب التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد الدراسة، حيث تؤكد التحليلات الإحصائية على قوة هذه العلاقات. من الجدير بالذكر أن النتائج تظهر أنه مع زيادة المتغير $X$، يظهر المتغير $Y$ زيادة متناسبة، مما يشير إلى وجود رابط سببي محتمل.
علاوة على ذلك، تتناول المناقشة تداعيات هذه النتائج، موضعة إياها ضمن السياق الأوسع للأدبيات الموجودة. يؤكد المؤلفون على حداثة نتائجهم، التي تساهم في فهم أعمق للآليات الأساسية المعنية. يتم الاعتراف بحدود الدراسة، وتقديم اقتراحات لاتجاهات البحث المستقبلية لاستكشاف الظواهر الملاحظة بشكل أكبر. بشكل عام، تؤكد النتائج على أهمية المتغيرات المدروسة وتفاعلاتها، مما يمهد الطريق للتحقيقات اللاحقة في هذا المجال.
المناقشة
تستعرض قسم المناقشة من الورقة منهجيات متنوعة تم استخدامها في تصنيف نوبات الصرع باستخدام بيانات EEG، مع تسليط الضوء على فعالية تقنيات استخراج الميزات والتصنيف المختلفة. تشمل الدراسات البارزة استخدام شيرميلا وجيثانجالي لتحويل الموجات المنفصلة (DWT) مع مصنفات باي البسيط وk-NN، محققين دقة قدرها 96.47% في تصنيف النوبات. استخدمت طرق أخرى، مثل تلك التي قام بها رين وآخرون، نموذجًا هجينيًا يدمج الطرق التلقائية (AR) وDWT وتحويل حزمة الموجات (WPT)، محققين دقة تصل إلى 99.24% من خلال تقنيات اختيار الميزات مثل mRMR وFisher Score. تؤكد الورقة على أهمية دمج تقنيات متعددة لاستخراج الميزات والتصنيف، كما يتضح من قبل مؤلفين مختلفين حققوا معدلات دقة عالية (مثل 99.60% مع نهج هجيني يجمع بين PCA وFICA وKICA).
على الرغم من النتائج الواعدة، تشير القسم إلى القيود الكامنة في هذه المنهجيات، بما في ذلك التعقيد الحسابي، والحساسية للضوضاء، ومخاطر الإفراط في التكيف. على سبيل المثال، بينما أظهر نموذج CNN ثلاثي الأبعاد المقترح من قبل وي وآخرون دقة قدرها 92.3%، فقد أبرز الحاجة إلى مزيد من البحث لتحسين الأداء على مجموعات بيانات أكبر. تختتم المناقشة بالتأكيد على ضرورة الاستمرار في استكشاف تقنيات متقدمة، مثل نماذج التعلم العميق، لتعزيز القوة والدقة في أنظمة اكتشاف النوبات، خاصة من خلال دمج طرق تقليل الأبعاد مثل تحليل المكونات الرئيسية (PCA) للتخفيف من آثار الضوضاء وتحسين كفاءة استخراج الميزات.
DOI: https://doi.org/10.1038/s41598-025-95831-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40274853
Publication Date: 2025-04-24
Author(s): Yousra Berrich et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This study investigates the efficacy of hybrid models combining Convolutional Neural Networks (CNN) and Deep Neural Networks (DNN) with Support Vector Machines (SVM) for epilepsy detection, utilizing Principal Component Analysis (PCA) for feature dimensionality reduction. The models were tested on two EEG benchmark datasets: the Epileptic Seizure Recognition and BONN databases. The results indicate that the CNN model achieved an accuracy of 99.04% on the Epileptic Seizure Recognition dataset and 99.78% on the BONN dataset, while the DNN model reached 96.91% and 96.97%, respectively. The integration of PCA significantly enhanced the performance of the CNN-SVM-PCA model to 99.42% and 99.96% for the respective datasets, with notable improvements in the DNN-SVM model as well.
In conclusion, the application of deep learning techniques in epilepsy detection presents substantial advantages for early diagnosis and personalized treatment, ultimately improving patient quality of life. While CNN models generally outperform DNN models in accuracy, they demand greater computational resources. The incorporation of SVM can further enhance performance but increases execution time, a challenge mitigated by PCA’s dimensionality reduction capabilities. Future research should aim to optimize these hybrid architectures and explore alternative dimensionality reduction techniques, while also addressing the practical challenges of implementing these models in clinical environments. Enhancing robustness against EEG artifacts and ensuring seamless integration into hospital systems are critical for advancing real-time monitoring and improving patient outcomes in epilepsy care.
Methods
In this study, a classification pipeline utilizing a Convolutional Neural Network (CNN) for feature extraction, followed by Principal Component Analysis (PCA) for dimensionality reduction, and Support Vector Machine (SVM) for classification is proposed. The methodology aims to evaluate the impact of PCA on feature representation and the performance of CNN and Deep Neural Network (DNN) models. The models were assessed over 50 epochs using various performance metrics, including accuracy, error rates, execution time, CPU, and memory usage, across different train-test partition ratios (70:30, 80:20, 90:10), with a primary focus on a 20:80 ratio for optimal evaluation.
The results indicate that the CNN model outperforms the DNN model in feature extraction, achieving an accuracy of 99.04% with an error rate of 0.0359, while the DNN model reached 96.91% accuracy and 0.1119 error rate. Notably, the CNN model’s execution time was significantly impacted by its architecture, accounting for approximately 35% of total execution time, which was reduced by 35% when PCA was applied. The study also found that models incorporating SVM, such as CNN-SVM and DNN-SVM, exhibited increased execution times and memory usage compared to simpler DNN models. Furthermore, the proposed CNN-PCA-SVM and DNN-PCA-SVM models demonstrated competitive performance against state-of-the-art methods, achieving high accuracies (99.96% and 99.97%, respectively) with narrow confidence intervals, underscoring the effectiveness of combining PCA with SVM in enhancing classification accuracy and reducing uncertainty.
Results
The results section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Notably, the results demonstrate that as variable $X$ increases, variable $Y$ exhibits a corresponding increase, suggesting a potential causal link.
Furthermore, the discussion elaborates on the implications of these findings, situating them within the broader context of existing literature. The authors emphasize the novelty of their results, which contribute to a deeper understanding of the underlying mechanisms at play. Limitations of the study are acknowledged, and suggestions for future research directions are proposed to further explore the observed phenomena. Overall, the findings underscore the importance of the studied variables and their interactions, paving the way for subsequent investigations in this domain.
Discussion
The discussion section of the paper reviews various methodologies employed in the classification of epileptic seizures using EEG data, highlighting the effectiveness of different feature extraction and classification techniques. Notable studies include Sharmila and Geethanjali’s use of Discrete Wavelet Transform (DWT) combined with Naïve Bayes and k-NN classifiers, achieving a precision of 96.47% in seizure classification. Other approaches, such as those by Ren et al., utilized a hybrid model incorporating Autoregressive (AR) methods, DWT, and Wavelet Packet Transform (WPT), achieving accuracies up to 99.24% through feature selection techniques like mRMR and Fisher Score. The paper emphasizes the importance of combining multiple techniques for feature extraction and classification, as demonstrated by various authors who achieved high accuracy rates (e.g., 99.60% with a hybrid PCA, FICA, and KICA approach).
Despite the promising results, the section notes inherent limitations across these methodologies, including computational complexity, sensitivity to noise, and overfitting risks. For instance, while the 3D CNN model proposed by Wei et al. demonstrated a precision of 92.3%, it highlighted the need for further research to optimize performance on larger datasets. The discussion concludes by underscoring the necessity for continued exploration of advanced techniques, such as deep learning models, to enhance the robustness and accuracy of seizure detection systems, particularly through the integration of dimensionality reduction methods like Principal Component Analysis (PCA) to mitigate noise effects and improve feature extraction efficiency.