DOI: https://doi.org/10.1038/s41598-024-74475-5
PMID: https://pubmed.ncbi.nlm.nih.gov/39424849
تاريخ النشر: 2024-10-18
المؤلف: Ahmed M. Elshewey وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم البحث خوارزمية نصف قطر الأرض المعدل (MBER)، التي تهدف إلى تعزيز دقة تصنيف حالات العين كفتحة (0) أو مغلقة (1). تم تقييم الخوارزمية باستخدام مجموعة بيانات EEG المعالجة مسبقًا، والتي شملت التقييس، والتطبيع، وإزالة القيم الفارغة. تم تصميم تنسيق MBER الثنائي لاختيار الميزات التي تحسن بشكل كبير من دقة التصنيف. تم مقارنة أداء MBER ضد عدة خوارزميات منافسة، بما في ذلك نصف قطر الأرض (BER)، وتحسين سرب الجسيمات (PSO)، وخوارزمية تحسين الحوت (WAO)، ومُحسِّن الذئب الرمادي (GWO)، والخوارزمية الجينية (GA)، باستخدام طرق إحصائية مثل ANOVA واختبار ويلكوكسون للرتب الموقعة.
أشارت النتائج إلى أن MBER تفوقت على الخوارزميات الأخرى في معظم وظائف المعايير الأحادية، محققة دقة تصنيف حالة العين بنسبة 96.12%. نموذج K-Nearest Neighbors (KNN)، الذي تم تحسينه بواسطة MBER، حقق أعلى المقاييس، بما في ذلك الدقة (PPV) بنسبة 0.959425، وقيمة التنبؤ السلبية (NPV) بنسبة 0.964969، وFScore بنسبة 0.963431، ودقة بنسبة 0.9612، وحساسية بنسبة 0.970578، وخصوصية بنسبة 0.949711. يستنتج البحث أن MBER تظهر فعالية متفوقة في تصنيف حالات العين مقارنة بمنافسيها، مع خطط مستقبلية لتقييم أدائها على مجموعات بيانات أكبر وتحديات تحسين إضافية.
طرق
تتركز المنهجية الموضحة في هذا البحث على تطوير نموذج تصنيف حالات العين باستخدام مجموعة بيانات EEG. تم إثراء مجموعة البيانات بعلامات حالة العين—1 لإغلاق العين و0 لفتح العين—تم تحديدها من خلال كاميرا العين أثناء قياسات EEG. تشمل خطوات المعالجة المسبقة إزالة القيم الفارغة، وتقييس Min-Max، والتطبيع. يتم تنظيم بيانات التدريب بعد ذلك في دفعات للتحليل التكراري، مع إجراء اختيار الميزات باستخدام خوارزميات تحسين مختلفة مثل نصف قطر الأرض (BER)، وخوارزمية تحسين الحوت (WAO)، ومُحسِّن الذئب الرمادي (GWO)، وتحسين سرب الجسيمات (PSO)، والخوارزمية الجينية (GA). يتم تعديل هذه الخوارزميات إلى شكل ثنائي عبر دالة سيغمويد، ويتم تقييم أدائها باستخدام ستة معايير، بما في ذلك متوسط الخطأ ومقاييس الملاءمة.
تم تقسيم مجموعة البيانات إلى 80% للتدريب و20% للاختبار، مع استخدام خوارزميات التعلم الآلي التقليدية (مثل، الانحدار العشوائي، ومصنف الدعم المتجه، وK أقرب الجيران) كنماذج مرجعية لتصنيف حالات العين. تشمل مقاييس التقييم الدقة، وقيمة التنبؤ السلبية، وF-score، والدقة، والحساسية، والخصوصية. من الجدير بالذكر أن KNN تم تحسينه باستخدام نهج MBER المعدل، وتمت مقارنة أدائه ضد الخوارزميات المعروفة مثل BER، وPSO، وGWO، وWAO، وGA. تظهر النتائج التجريبية فعالية خوارزمية bMBER المقترحة في تحسين اختيار الميزات، مع إجراء الاختبارات في بيئة Jupyter Notebook باستخدام مكتبات بايثون القوية للتحسين والتعلم الآلي.
نتائج
يقدم قسم النتائج في الدراسة تقييمًا شاملاً لمختلف خوارزميات اختيار الميزات، مع تسليط الضوء على تفوق خوارزمية BER المعدلة الثنائية (bMBER) المقترحة. تشير التحليلات المقارنة، كما هو موضح في الجدول 2، إلى أن bMBER تتفوق باستمرار على الخوارزميات الأخرى، بما في ذلك مُحسِّن سرب الجسيمات (PSO)، وخوارزمية تحسين الحوت (WOA)، والخوارزمية الجينية (GA)، ومُحسِّن الذئب الرمادي (GWO)، من حيث متوسط معدلات الخطأ. تدعم نتائج اختبار ويلكوكسون واختبار ANOVA بشكل أكبر الأهمية الإحصائية لأداء bMBER، مع قيم p التي تشير إلى تفوق قوي على الطرق المنافسة. توضح الأشكال 6 و7 متوسط الخطأ المنخفض للخوارزمية وخصائص التقارب الفعالة، مما يؤكد قوتها في اختيار الميزات.
فيما يتعلق بأداء التصنيف، تفيد الدراسة بأن نموذج K-Nearest Neighbors (KNN)، الذي تم تحسينه باستخدام نصف قطر الأرض المعدل (MBER)، حقق أعلى المقاييس، بما في ذلك قيمة التنبؤ الإيجابية (PPV) بنسبة 0.959425 ودقة بنسبة 0.9612، كما هو مفصل في الجدول 5. يتم التحقق من أداء خوارزمية MBER من خلال اختبارات إحصائية، مع نتائج تشير إلى فعاليتها في تحسين مساحة البحث من خلال استراتيجيات استغلال مزدوج. توضح الأشكال 9 و10 منحنيات التقارب ومقارنات الدقة، مما يعزز أداء MBER المتفوق مقارنة بالخوارزميات الأخرى للتحسين. بشكل عام، تؤكد النتائج فعالية وقوة الخوارزميات المقترحة في كل من اختيار الميزات ومهام التصنيف.
مناقشة
يسلط قسم المناقشة في ورقة البحث الضوء على التقدم الكبير في تطبيق تخطيط الدماغ الكهربائي (EEG) لمهام عصبية وطب شرعي متنوعة، لا سيما من خلال دمج تقنيات التعلم الآلي. تشير الأدبيات التي تمت مراجعتها إلى أن المنهجيات الحديثة حققت دقة تصنيف مثيرة للإعجاب في تفسير إشارات EEG، مع أمثلة بارزة تشمل النظام الهجين لبولات وآخرين الذي حقق دقة 98.72% لاكتشاف النوبات وتقنية كشف الكذب لهايدر وآخرين التي وصلت إلى دقة 85% باستخدام تحليل التمييز الخطي. يتم التأكيد على فعالية مصنفات مختلفة، مثل آلات الدعم المتجه (SVM) وk-Nearest Neighbors (KNN)، مما يبرز فائدتها في التمييز بين إشارات EEG الطبيعية وغير الطبيعية.
علاوة على ذلك، يناقش القسم تطوير خوارزمية تحسين BER المعدلة (MBER)، التي تهدف إلى تعزيز تصنيف حالات العين بناءً على بيانات EEG. تم تصميم خوارزمية MBER لتحسين اختيار الميزات وزيادة دقة التصنيف، مما يظهر أداءً متفوقًا مقارنة بالخوارزميات الأخرى مثل تحسين سرب الجسيمات (PSO) والخوارزميات الجينية (GA) في الاختبارات الإحصائية. تشير النتائج إلى أن خوارزمية MBER لا تحسن فقط نتائج التصنيف ولكنها توفر أيضًا إطارًا قويًا للبحث المستقبلي، مع خطط لمزيد من التقييم على مجموعات بيانات أكبر وتحديات تحسين متنوعة. بشكل عام، يبرز هذا البحث إمكانيات تقنيات التعلم الآلي المتقدمة في تعزيز تحليل إشارات EEG للتطبيقات العملية في مجالات الطب والطب الشرعي.
القيود
تسلط القيود المفروضة على خوارزمية نصف قطر الأرض المعدل (MBER)، كما تم مناقشته في هذه الدراسة، الضوء على عدة مجالات للتحسين المستقبلي. بشكل أساسي، تقتصر فعالية الخوارزمية على اعتمادها على مجموعة بيانات EEG واحدة، مما يثير مخاوف بشأن إمكانية تعميم النتائج عبر مجموعات سكانية وظروف تجريبية متنوعة. لتعزيز تعددية الخوارزمية، يجب أن تتضمن الأبحاث المستقبلية مجموعة أوسع من مجموعات البيانات من أدوات EEG المختلفة والسيناريوهات التجريبية. بالإضافة إلى ذلك، فإن تحسينات الخوارزمية، بما في ذلك دمج طرق تحسين متقدمة وأطر تعلم عميقة، ضرورية لتحسين سرعة المعالجة وتقليل زمن الاستجابة، لا سيما للتطبيقات في الوقت الحقيقي في تقنيات المساعدة.
علاوة على ذلك، تعترف الدراسة بالتحديات الجوهرية مثل التعقيد الحسابي العالي، الذي قد يعيق التنفيذ في الوقت الحقيقي، والمشكلات المستمرة من الضوضاء والعيوب في بيانات EEG. بينما تخفف الطريقة المقترحة بعض هذه المشكلات، فإن القضاء التام لا يزال بعيد المنال وقد يؤثر على دقة التصنيف. علاوة على ذلك، فإن قابلية تفسير خوارزمية MBER تمثل تحديًا، مما يستلزم تطوير طرق لتوضيح عملية اتخاذ القرار الخاصة بها. أخيرًا، للتحقق من فعالية الخوارزمية، يجب أن تهدف الدراسات المستقبلية إلى إجراء التحقق المتبادل عبر مجموعات سكانية متنوعة، بما في ذلك التباينات في العمر والجنس والحالات الصحية. سيكون معالجة هذه القيود أمرًا حيويًا لتحقيق الإمكانات الكاملة لخوارزمية MBER في تصنيف EEG وتطبيقات واجهة الدماغ-الكمبيوتر.
DOI: https://doi.org/10.1038/s41598-024-74475-5
PMID: https://pubmed.ncbi.nlm.nih.gov/39424849
Publication Date: 2024-10-18
Author(s): Ahmed M. Elshewey et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research presents the Modified Al-Biruni Earth Radius (MBER) algorithm, aimed at enhancing the accuracy of classifying eye states as open (0) or closed (1). The algorithm was evaluated using a preprocessed EEG dataset, which included scaling, normalization, and null value elimination. MBER’s binary format is tailored to select features that significantly improve classification accuracy. The performance of MBER was compared against several competing algorithms, including the Al-Biruni Earth Radius (BER), Particle Swarm Optimization (PSO), Whale Optimization Algorithm (WAO), Grey Wolf Optimizer (GWO), and Genetic Algorithm (GA), using statistical methods such as ANOVA and the Wilcoxon signed-rank test.
The results indicated that MBER outperformed the other algorithms on most unimodal benchmark functions, achieving an eye state classification accuracy of 96.12%. The K-Nearest Neighbors (KNN) model, optimized by MBER, yielded the highest metrics, including Precision (PPV) of 0.959425, Negative Predictive Value (NPV) of 0.964969, FScore of 0.963431, accuracy of 0.9612, Sensitivity of 0.970578, and Specificity of 0.949711. The study concludes that MBER demonstrates superior efficacy in eye state classification compared to its competitors, with future work planned to assess its performance on larger datasets and additional optimization challenges.
Methods
The methodology outlined in this research focuses on developing an eye state classification model using an EEG dataset. The dataset is enriched with eye state labels—1 for eye closure and 0 for eye opening—identified through an eye camera during EEG measurements. Preprocessing steps include the removal of empty values, Min-Max scaling, and normalization. The training data is then organized into batches for iterative analysis, with feature selection performed using various optimization algorithms such as the Al-Biruni Earth Radius (BER), Whale Optimization Algorithm (WAO), Grey Wolf Optimizer (GWO), Particle Swarm Optimization (PSO), and Genetic Algorithm (GA). These algorithms are adapted to binary form via a sigmoid function, and their performance is evaluated using six parameters, including average error and fitness metrics.
The dataset is partitioned into 80% for training and 20% for testing, employing traditional machine learning algorithms (e.g., Stochastic Gradient Descent, Support Vector Classifier, and K Nearest Neighbors) as reference models for eye state classification. The evaluation metrics include Precision, Negative Predictive Value, F-score, accuracy, sensitivity, and specificity. Notably, KNN is optimized using a Modified BER (MBER) approach, and its performance is compared against established algorithms like BER, PSO, GWO, WAO, and GA. The experimental results demonstrate the proposed bMBER algorithm’s effectiveness in optimizing feature selection, with tests conducted in a Jupyter Notebook environment using Python’s robust libraries for optimization and machine learning.
Results
The results section of the study presents a comprehensive evaluation of various feature selection algorithms, highlighting the superiority of the proposed binary Modified BER (bMBER) algorithm. Comparative analysis, as shown in Table 2, indicates that bMBER consistently outperforms other algorithms, including Particle Swarm Optimizer (PSO), Whale Optimization Algorithm (WOA), Genetic Algorithm (GA), and Gray Wolf Optimizer (GWO), in terms of average error rates. The Wilcoxon rank-sum test and ANOVA results further substantiate the statistical significance of bMBER’s performance, with p-values indicating strong superiority over competing methods. Figures 6 and 7 illustrate the algorithm’s low average error and effective convergence characteristics, respectively, confirming its robustness in feature selection.
In terms of classification performance, the study reports that the K-Nearest Neighbors (KNN) model, optimized using the Modified Al-Biruni earth radius (MBER), achieved the highest metrics, including Positive Predictive Value (PPV) of 0.959425 and accuracy of 0.9612, as detailed in Table 5. The MBER algorithm’s performance is further validated through statistical tests, with results indicating its effectiveness in optimizing the search space through dual exploitation strategies. Figures 9 and 10 depict the convergence curves and accuracy comparisons, respectively, reinforcing MBER’s superior performance relative to other optimization algorithms. Overall, the findings underscore the effectiveness and robustness of the proposed algorithms in both feature selection and classification tasks.
Discussion
The discussion section of the research paper highlights the significant advancements in the application of Electroencephalography (EEG) for various neurological and forensic tasks, particularly through the integration of machine learning techniques. The literature reviewed indicates that recent methodologies have achieved impressive classification accuracies in EEG signal interpretation, with notable examples including Polat et al.’s hybrid system achieving 98.72% accuracy for seizure detection and Haider et al.’s lie detection technique reaching 85% accuracy using Linear Discriminant Analysis. The effectiveness of different classifiers, such as Support Vector Machines (SVM) and k-Nearest Neighbors (KNN), is emphasized, showcasing their utility in distinguishing between normal and abnormal EEG signals.
Moreover, the section discusses the development of the Modified-BER (MBER) optimization algorithm, which aims to enhance the classification of eye states based on EEG data. The MBER algorithm is designed to optimize feature selection and improve classification accuracy, demonstrating superior performance compared to other algorithms like Particle Swarm Optimization (PSO) and Genetic Algorithms (GA) in statistical tests. The findings suggest that the MBER algorithm not only improves classification outcomes but also provides a robust framework for future research, with plans for further evaluation on larger datasets and diverse optimization challenges. Overall, this research underscores the potential of advanced machine learning techniques in enhancing EEG signal analysis for practical applications in both medical and forensic domains.
Limitations
The limitations of the modified Al-Biruni Earth Radius (MBER) algorithm, as discussed in this study, highlight several areas for future improvement. Primarily, the algorithm’s efficacy is constrained by its reliance on a single EEG dataset, which raises concerns about the generalizability of the findings across diverse populations and experimental conditions. To enhance the algorithm’s versatility, future research should incorporate a broader range of datasets from various EEG instruments and experimental scenarios. Additionally, algorithmic optimizations, including the integration of advanced optimization methods and deep learning frameworks, are essential to improve processing speed and reduce latency, particularly for real-time applications in assistive technologies.
Moreover, the study acknowledges inherent challenges such as high computational complexity, which may hinder real-time implementation, and the persistent issues of noise and artifacts in EEG data. While the proposed method mitigates some of these issues, complete elimination remains elusive and may compromise classification accuracy. Furthermore, the interpretability of the MBER algorithm poses a challenge, necessitating the development of methods to elucidate its decision-making process. Lastly, to validate the algorithm’s effectiveness, future studies should aim for cross-validation across diverse demographic groups, including variations in age, gender, and health conditions. Addressing these limitations will be crucial for realizing the full potential of the MBER algorithm in EEG classification and brain-computer interface applications.