DOI: https://doi.org/10.1038/s41598-024-59652-w
PMID: https://pubmed.ncbi.nlm.nih.gov/38644365
تاريخ النشر: 2024-04-21
المؤلف: Mohammadreza Safari وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
يتناول هذا القسم من ورقة البحث تقييم عبء العمل العقلي (MWL) باستخدام بيانات EEG، مع التأكيد على أهميته عبر مجالات مختلفة مثل تصميم الأنظمة والطب السريري. يقترح المؤلفون إطار عمل جديد يستفيد من الاتصال الفعال بين الدماغ لاستخراج الميزات، ويستخدم خوارزمية اختيار ميزات هرمية، ويستعين بنماذج التعلم الآلي لتصنيف MWL. باستخدام مجموعة بيانات عبء العمل EEG للمهام المتزامنة (STEW)، قاموا باستخراج الاتصالات الفعالة بين الدماغ عبر دالة النقل الموجهة المباشرة واختاروا أفضل 30 اتصالاً لكل نطاق ترددي. بعد ذلك، طبقوا ثلاث خوارزميات لاختيار الميزات—اختيار الميزات الأمامي، Relief-F، والحد الأدنى من التكرار-الحد الأقصى من الأهمية—على أفضل 150 ميزة، محققين دقة تصنيف تبلغ 89.53% (± 1.36) باستخدام نموذج آلة الدعم الشعاعي (SVM).
تسلط الورقة الضوء على الطبيعة متعددة الأبعاد لـ MWL، والتي يمكن أن تتأثر بعوامل مختلفة ولها تداعيات على كل من البحث العلمي وعوامل الإنسان. يشير المؤلفون إلى عدم وجود إطار قياس موحد لـ MWL، على الرغم من وجود العديد من الطرق، بما في ذلك الاستبيانات الذاتية والقياسات الفسيولوجية. تؤكد نتائجهم على إمكانيات التعلم الآلي، وخاصة SVM، في تصنيف مستويات MWL بدقة من بيانات EEG، مما يشير إلى أن الأعمال المستقبلية يمكن أن تستكشف نماذج التعلم العميق لتعزيز قوة تقييم MWL من خلال صور الاتصال الفعال بين الدماغ.
الطرق
يستعرض قسم “الطرق” في ورقة البحث المواد والإجراءات المستخدمة في الدراسة. يوضح الإعداد التجريبي المحدد، بما في ذلك اختيار المواد، والمعدات المستخدمة، والبروتوكولات المتبعة لضمان إمكانية تكرار النتائج ودقتها. تم تصميم المنهجية لمعالجة أسئلة البحث المطروحة، باستخدام تحليلات إحصائية مناسبة لتفسير البيانات التي تم جمعها.
بالإضافة إلى ذلك، قد يصف القسم أي ضوابط تم تنفيذها للتخفيف من المتغيرات المربكة، فضلاً عن تقنيات أخذ العينات المستخدمة لضمان عينة تمثيلية. بشكل عام، يعد هذا القسم أساسًا حيويًا لفهم صحة النتائج المقدمة في الدراسة.
النتائج
في هذه الدراسة، تم معالجة بيانات EEG من 14 قناة لكل موضوع باستخدام أداة EEGLAB في MATLAB (الإصدار 2019a). تم تقييم الاتصال الفعال باستخدام دالة النقل الموجهة (dDTF) عبر خمسة نطاقات ترددية، مع تقسيم البيانات إلى نوافذ مدتها 6 ثوانٍ تنزلق كل 4 ثوانٍ. أسفر هذا النهج عن 37 مصفوفة dDTF لكل موضوع على مدى 150 ثانية من إشارات EEG. كشفت التحليلات عن أفضل 30 اتصالاً موجهًا بناءً على قيم المساحة تحت المنحنى (AUC)، حيث أظهر الفص الجبهي أعلى عدد من الاتصالات العصبية.
تم تقييم أداء أربعة نماذج للتعلم الآلي—آلة الدعم الشعاعي (SVM)، تحليل التمييز الخطي (LDA)، الغابة العشوائية (RF)، وشجرة القرار (DT)—باستخدام أفضل 150 ميزة قائمة على AUC. حقق نموذج SVM أعلى دقة، بينما كان أداء نموذج DT هو الأضعف. من الجدير بالذكر أن نموذج RF كان الأكثر استهلاكًا للموارد الحاسوبية، بينما كان نموذج LDA هو الأقل. تم استخدام عملية اختيار ميزات هرمية، باستخدام ثلاث خوارزميات: Relief-F، اختيار الميزات الأمامي، وmRMR. تفوق أسلوب اختيار الميزات الأمامي على الآخرين، مما مكن نموذج SVM من تحقيق دقة تبلغ 89.53% باستخدام 41 ميزة مختارة. شملت المنهجية الشاملة المعالجة المسبقة، وتحليل الاتصال الفعال، وترتيب الميزات، والتصنيف، مما أدى إلى إطار عمل قوي لتحليل بيانات EEG.
المناقشة
في هذه الدراسة، استكشف المؤلفون نهجًا جديدًا لتصنيف مستويات عبء العمل العقلي (MWL) باستخدام بيانات EEG من 48 مشاركًا ذكراً شاركوا في تجربة متعددة المهام. تضمنت المنهجية استخراج الميزات من الاتصال الفعال بين الدماغ، مما أسفر عن 37 مصفوفة اتصال لكل مجموعة بيانات EEG. من خلال حساب المساحة تحت المنحنى (AUC) لهذه الاتصالات، حدد الباحثون أفضل 30 اتصالًا عبر خمسة نطاقات ترددية، مما أدى إلى إجمالي 150 ميزة. من الجدير بالذكر أن الاتصالات الأكثر أهمية كانت تقع بشكل أساسي في الفص الجبهي، مما يؤكد النتائج من الدراسات السابقة. كانت دقة التصنيف التي تم تحقيقها باستخدام نموذج آلة الدعم الشعاعي (SVM) 88.96% مع مجموعة الميزات الأولية، والتي تحسنت إلى 89.53% بعد تطبيق طرق اختيار الميزات الهرمية.
استخدمت الدراسة أربعة خوارزميات للتعلم الآلي—SVM، تحليل التمييز الخطي (LDA)، شجرة القرار (DT)، والغابة العشوائية (RF)—واستخدمت التحقق المتقاطع بسبع مرات لضمان تقييم أداء قوي. أشارت النتائج إلى أن أسلوب اختيار الميزات الأمامي كان فعالًا بشكل خاص، مما أسفر عن أعلى دقة. على الرغم من النتائج الواعدة، اعترف المؤلفون بالقيود المتعلقة بمجموعة البيانات، بما في ذلك نقص التنوع الجنسي وعدد محدود من المشاركين، مما قد يؤثر على قابلية تعميم النتائج. اقترحوا أن الأبحاث المستقبلية يجب أن توسع مجموعة البيانات لتشمل سكانًا أكثر تنوعًا واستكشاف تقنيات تعلم آلي إضافية، بما في ذلك نماذج التعلم العميق، لتعزيز قوة وقابلية تطبيق تقييمات MWL.
DOI: https://doi.org/10.1038/s41598-024-59652-w
PMID: https://pubmed.ncbi.nlm.nih.gov/38644365
Publication Date: 2024-04-21
Author(s): Mohammadreza Safari et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This section of the research paper discusses the assessment of mental workload (MWL) using EEG data, emphasizing its significance across various fields such as system design and clinical medicine. The authors propose a novel framework that leverages effective brain connectivity for feature extraction, employs a hierarchical feature selection algorithm, and utilizes machine learning models to classify MWL. Utilizing the Simultaneous Task EEG Workload (STEW) dataset, they extracted brain-effective connectivities via the direct directed transfer function and selected the top 30 connectivities for each frequency band. Subsequently, they applied three feature selection algorithms—forward feature selection, Relief-F, and minimum-redundancy-maximum-relevance—on the top 150 features, achieving a classification accuracy of 89.53% (± 1.36) using a support vector machine (SVM) model.
The paper highlights the multidimensional nature of MWL, which can be influenced by various factors and has implications for both scientific research and human factors. The authors note the lack of a standardized measurement framework for MWL, despite the existence of numerous methods, including subjective questionnaires and physiological measures. Their findings underscore the potential of machine learning, particularly SVM, in accurately classifying MWL levels from EEG data, suggesting that future work could explore deep learning models to enhance the robustness of MWL evaluation through effective brain connectivity images.
Methods
The “Methods” section of the research paper outlines the materials and procedures utilized in the study. It details the specific experimental setup, including the selection of materials, equipment used, and the protocols followed to ensure reproducibility and accuracy of results. The methodology is designed to address the research questions posed, employing appropriate statistical analyses to interpret the data collected.
Additionally, the section may describe any controls implemented to mitigate confounding variables, as well as the sampling techniques used to ensure a representative sample. Overall, this section serves as a critical foundation for understanding the validity of the findings presented in the study.
Results
In this study, EEG data from 14 channels of each subject were pre-processed using the EEGLAB toolbox in MATLAB (version 2019a). Effective connectivity was assessed using the directed Transfer Function (dDTF) across five frequency bands, with data segmented into 6-second windows sliding every 4 seconds. This approach yielded 37 dDTF matrices per subject over 150 seconds of EEG signals. The analysis revealed the top 30 directed connections based on Area Under the Curve (AUC) values, with the frontal lobe exhibiting the highest number of neural connections.
The performance of four machine learning models—Support Vector Machine (SVM), Linear Discriminant Analysis (LDA), Random Forest (RF), and Decision Tree (DT)—was evaluated using the top 150 AUC-based features. The SVM model achieved the highest accuracy, while the DT model performed the weakest. Notably, the RF model was the most computationally intensive, whereas the LDA model was the least. A hierarchical feature selection process was employed, utilizing three algorithms: Relief-F, forward feature selection, and mRMR. The forward feature selection method outperformed the others, enabling the SVM model to achieve an accuracy of 89.53% using 41 selected features. The comprehensive methodology included preprocessing, effective connectivity analysis, feature ranking, and classification, culminating in a robust framework for EEG data analysis.
Discussion
In this study, the authors explored a novel approach for classifying mental workload levels (MWL) using EEG data from 48 male participants engaged in a multitasking experiment. The methodology involved extracting features from effective brain connectivity, resulting in 37 connectivity matrices for each EEG dataset. By calculating the area under the curve (AUC) for these connectivities, the researchers identified the top 30 connections across five frequency bands, leading to a total of 150 features. Notably, the most significant connectivities were primarily located in the frontal lobe, corroborating findings from previous studies. The classification accuracy achieved using a support vector machine (SVM) model was 88.96% with the initial feature set, which improved to 89.53% after applying hierarchical feature selection methods.
The study employed four machine learning algorithms—SVM, linear discriminant analysis (LDA), decision tree (DT), and random forest (RF)—and utilized sevenfold cross-validation to ensure robust performance evaluation. The results indicated that the forward feature selection method was particularly effective, yielding the highest accuracy. Despite the promising outcomes, the authors acknowledged limitations related to the dataset, including a lack of gender diversity and a limited number of participants, which may affect the generalizability of the findings. They suggested that future research should expand the dataset to include a more diverse population and explore additional machine learning techniques, including deep learning models, to enhance the robustness and applicability of MWL assessments.