DOI: https://doi.org/10.3389/fdgth.2025.1706660
PMID: https://pubmed.ncbi.nlm.nih.gov/41567346
تاريخ النشر: 2026-01-06
المؤلف: T. Kishore Babu وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم البحث إطار عمل جديد يستخدم خوارزمية تحسين الكواتي المعدلة (COA) لتصنيف إشارات تخطيط الدماغ الكهربائية (EEG) عالية الأبعاد في تطبيقات الأطراف الصناعية العصبية. يعزز آلية التكيف الديناميكية الخالية من المعلمات الخاصة بـ COA توازن الاستكشاف والاستغلال في اختيار الميزات، وهو أمر حاسم لتحسين أداء مختلف مصنّفات التعلم الآلي والعميق، بما في ذلك آلات الدعم الناقل (SVM)، والغابات العشوائية (RF)، والشبكات العصبية التلافيفية (CNN)، والشبكات العصبية المتكررة (RNN). أظهرت النتائج التجريبية على مجموعات البيانات المرجعية، وخاصة مجموعة بيانات PhysioNet لحركة/تخيل الحركة، أن COA المدمجة مع CNN حققت دقة تصنيف تبلغ 96.8%، متفوقة بشكل كبير على طرق اختيار الميزات التقليدية والخوارزميات الميتاهيرستية.
تشير النتائج إلى أن الإطار القائم على COA لا يوفر دقة عالية فحسب، بل يظهر أيضًا مسار تحسين أسرع وأكثر استقرارًا مقارنة بالطرق الأخرى. أكدت تحليلات Boxplot عبر مجموعات بيانات EEG متعددة على قوة وموثوقية النهج المقترح، مما يثبت أنه حل قابل للتطبيق لتصنيف نية الحركة المستندة إلى EEG في الوقت الحقيقي. تشمل اتجاهات البحث المستقبلية تعزيز التعميم عبر المشاركين من خلال التعلم الانتقالي، وتوسيع الإطار لمهام تخيل الحركة متعددة الفئات، ودمج النظام في منصات مدمجة منخفضة الطاقة للتطبيقات العملية في التقنيات المساعدة. بالإضافة إلى ذلك، سيكون إجراء تجارب واسعة النطاق في الوقت الحقيقي مع المستخدمين، وخاصة أولئك الذين يعانون من إعاقات حركية، أمرًا حاسمًا للتحقق من فعالية النظام وموثوقيته.
مقدمة
تسلط المقدمة الضوء على تقاطع الذكاء الاصطناعي، ومعالجة الإشارات الحيوية، والتقنيات المساعدة، مع التركيز بشكل خاص على تطوير الأجهزة الاصطناعية العصبية التي تمكن الأفراد ذوي الإعاقات الحركية من التحكم في الأجهزة الخارجية من خلال تفسير إشارات الدماغ. تم تحديد تخطيط الدماغ الكهربائي (EEG) كوسيلة مفضلة لهذا الغرض نظرًا لطبيعته غير الغازية ودقته الزمنية العالية. تعتبر واجهات الدماغ-الكمبيوتر (BCIs) المستندة إلى EEG، وخاصة تلك التي تستخدم مهام تخيل الحركة (MI)، شائعة في التحكم في الأطراف الصناعية، ومع ذلك، تواجه تحديات مثل الإشارات غير الثابتة والصاخبة، مما يعقد عملية فك التشفير ويقلل من أداء التصنيف.
لمعالجة هذه القضايا، يؤكد البحث على ضرورة اختيار الميزات في تحليل إشارات EEG لتعزيز دقة التصنيف من خلال الاحتفاظ بالميزات المعلوماتية مع التخلص من غير ذات الصلة. غالبًا ما تفشل طرق اختيار الميزات التقليدية بسبب طبيعتها الثابتة، مما يستدعي الحاجة إلى تقنيات ميتاهيرستية قابلة للتكيف يمكنها التنقل بفعالية في فضاءات الميزات عالية الأبعاد. تتضمن الحل المقترح خوارزمية تحسين الكواتي المعززة (COA) التي تتضمن التعلم القائم على المعارضة والتكيف الخالي من المعلمات، بهدف تحسين قدرات البحث العالمية والمحلية. يسعى هذا الإطار الهجين، عند دمجه مع مصنّفات التعلم الآلي والعميق المتقدمة، إلى تقديم نهج قابل للتوسع ودقيق لتصنيف إشارات EEG في الوقت الحقيقي وتطبيقات التشخيص الحيوي الأوسع.
طرق
في هذا القسم، يناقش المؤلفون طرق اختيار الميزات المختلفة لتصنيف تخيل الحركة المستند إلى EEG، مصنفين إياها إلى طرق قائمة على الفلتر وطرق تطورية. تعتبر الطرق القائمة على الفلتر، مثل الحد الأدنى من التكرار الأقصى من الصلة (mRMR)، ReliefF، اختبار كاي-تربيع، وF-score، فعالة من حيث الحساب ولكنها تواجه قيودًا في التقاط التفاعلات غير الخطية بين قنوات EEG. غالبًا ما تؤدي هذه الطرق أداءً ضعيفًا في مجموعات البيانات عالية الأبعاد والصاخبة، والتي تكون شائعة في مهام تصنيف EEG في الوقت الحقيقي.
لمعالجة هذه النواقص، يستكشف المؤلفون الخوارزميات التطورية، بما في ذلك الخوارزميات الجينية (GAs)، وتحسين سرب الجسيمات (PSO)، وتحسين مستعمرة النمل (ACO)، والتبريد المحاكي (SA). بينما يمكن لهذه الطرق التعامل مع فضاءات الميزات المعقدة، فإنها غالبًا ما تعاني من مشاكل مثل التقارب المبكر وارتفاع التكاليف الحاسوبية. تهدف خوارزمية تحسين الكواتي المقترحة (COA) إلى تعزيز اختيار الميزات من خلال تقديم التكيف الخالي من المعلمات وتوليد مرشحين ديناميكيين، مما يؤدي إلى تحسين كفاءة البحث والموثوقية لتصنيف EEG عالي الأبعاد.
يكشف التحليل المقارن لأداء التصنيف أن COA تتفوق بشكل كبير على الطرق التقليدية، محققة دقة تبلغ 96.8%، إلى جانب دقة عالية، واسترجاع، ومقاييس F1-score. في المقابل، حققت PSO وGA دقتين تبلغان 90.3% و89.7%، على التوالي، بينما حققت mRMR وReliefF دقات أقل تبلغ 86.8% و84.3%. تؤكد هذه النتائج فعالية COA في اختيار ميزات EEG ذات الصلة وملاءمتها لتطبيقات التحكم في الأطراف الصناعية العصبية في الوقت الحقيقي.
النتائج
في هذا القسم، يقدم المؤلفون نتائج تجاربهم التي أجريت لتقييم فعالية الإطار المقترح، باستخدام مجموعة بيانات تخيل الحركة EEG من PhysioNet. تم تفصيل إعدادات المعلمات للإطار في الجدول 1. تم قياس أداء النموذج باستخدام عدة مقاييس، بما في ذلك الدقة، والدقة، والاسترجاع، ومقياس F1، والتي تم حسابها كمتوسط عبر عدة طيات من التحقق المتقاطع لضمان القوة.
تم إجراء التجارب باستخدام بايثون، مستفيدين من مكتبات مثل Scikit-learn وTensorFlow وPyTorch، على نظام حاسوبي مزود بمعالج Intel i7، و16 جيجابايت من ذاكرة الوصول العشوائي، وNVIDIA RTX GPU. سهلت هذه الإعدادات التحليل الشامل والتحقق من قدرات الإطار المقترح في معالجة بيانات تخيل الحركة EEG.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التحديات الكبيرة في مجال أنظمة الأطراف الصناعية العصبية المستندة إلى EEG، خاصة فيما يتعلق باختيار الميزات والتصنيف. تشمل القضايا الرئيسية المحددة الأبعاد العالية والازدواجية في بيانات EEG، مما يؤثر سلبًا على أداء المصنفين ويعقد التطبيق في الوقت الحقيقي. تنتقد الورقة التقنيات الحالية للتحسين بسبب نقص قابليتها للتكيف وقابليتها للتوسع، خاصة في البيئات الطبية الديناميكية حيث يكون اتخاذ القرار السريع أمرًا حاسمًا. لمعالجة هذه الفجوات، يقترح المؤلفون إطار عمل هجين جديد يستخدم خوارزمية تحسين الكواتي (COA) لاختيار الميزات الديناميكية، مقترنًا بكل من المصنفات التقليدية (مثل آلات الدعم الناقل والغابات العشوائية) ونماذج التعلم العميق (مثل الشبكات العصبية التلافيفية والشبكات العصبية المتكررة) لتعزيز تصنيف إشارات EEG المتعلقة بالمهام الحركية المتخيلة.
يظهر الإطار المقترح تحسينًا بنسبة 6.5% في دقة التصنيف مقارنة بالطرق الحالية، مما يبرز فعالية اختيار الميزات الديناميكية. تتيح الطريقة الفريدة لـ COA التكيف الخالي من المعلمات واستراتيجية متوازنة للاستكشاف والاستغلال، وهو أمر أساسي لإدارة تعقيدات بيانات EEG عالية الأبعاد. لا يعزز دمج هذه الطريقة لاختيار الميزات مع نماذج التعلم العميق دقة التصنيف فحسب، بل يضمن أيضًا الكفاءة الحاسوبية، مما يجعلها مناسبة للتطبيقات في الوقت الحقيقي في الأطراف الصناعية العصبية. تختتم الورقة بتحديد هيكل الأقسام المتبقية، والتي ستتناول الطرق الحالية، وصياغة البرمجة الخطية لمهمة اختيار الميزات، ووصف مفصل للمنهجية المقترحة وتقييم أدائها عبر مجموعات بيانات EEG المختلفة.
DOI: https://doi.org/10.3389/fdgth.2025.1706660
PMID: https://pubmed.ncbi.nlm.nih.gov/41567346
Publication Date: 2026-01-06
Author(s): T. Kishore Babu et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research presents a novel framework utilizing a modified coati optimization algorithm (COA) for the classification of high-dimensional electroencephalography (EEG) signals in neural prosthetic applications. The COA’s dynamic, parameter-free adaptation mechanism enhances the exploration-exploitation balance in feature selection, which is critical for improving the performance of various machine and deep learning classifiers, including support vector machines (SVM), random forests (RF), convolutional neural networks (CNN), and recurrent neural networks (RNN). Experimental results on benchmark datasets, particularly the PhysioNet Motor Movement/Imagery dataset, demonstrated that the COA combined with CNN achieved a classification accuracy of 96.8%, significantly outperforming traditional feature selection methods and metaheuristic algorithms.
The findings indicate that the COA-based framework not only provides high accuracy but also exhibits a faster and more stable optimization trajectory compared to other methods. Boxplot analyses across multiple EEG datasets confirmed the robustness and reliability of the proposed approach, establishing it as a viable solution for real-time EEG-based motor intention classification. Future research directions include enhancing cross-participant generalization through transfer learning, expanding the framework for multiclass motor imagery tasks, and integrating the system into low-power embedded platforms for practical applications in assistive technologies. Additionally, conducting extensive real-time trials with users, particularly those with motor impairments, will be crucial for validating the system’s effectiveness and reliability.
Introduction
The introduction highlights the intersection of artificial intelligence, biomedical signal processing, and assistive technologies, particularly focusing on the development of neural prosthetic devices that empower individuals with motor disabilities to control external devices through brain signal interpretation. Electroencephalography (EEG) is identified as a preferred modality for this purpose due to its non-invasive nature and high temporal resolution. EEG-based brain-computer interfaces (BCIs), especially those utilizing motor imagery (MI) tasks, are prevalent in prosthetic control, yet they face challenges such as non-stationary and noisy signals, which complicate the decoding process and degrade classification performance.
To address these issues, the paper emphasizes the necessity of feature selection in EEG signal analysis to enhance classification accuracy by retaining informative features while discarding irrelevant ones. Traditional feature selection methods often fall short due to their static nature, prompting the need for adaptive, metaheuristic-based techniques that can effectively navigate high-dimensional feature spaces. The proposed solution involves an enhanced coati optimization algorithm (COA) that incorporates opposition-based learning and parameter-free adaptation, aiming to improve both global and local search capabilities. This hybrid framework, when combined with advanced machine learning and deep learning classifiers, seeks to offer a scalable and accurate approach for real-time EEG signal classification and broader biomedical diagnostic applications.
Methods
In this section, the authors discuss various feature selection methods for EEG-based motor imagery classification, categorizing them into filter-based and evolutionary approaches. Filter-based methods, such as minimum Redundancy Maximum Relevance (mRMR), ReliefF, the chi-square test, and F-score, are computationally efficient but face limitations in capturing non-linear interactions among EEG channels. These methods often underperform in high-dimensional and noisy datasets, which are common in real-time EEG classification tasks.
To address these shortcomings, the authors explore evolutionary algorithms, including Genetic Algorithms (GAs), Particle Swarm Optimization (PSO), Ant Colony Optimization (ACO), and Simulated Annealing (SA). While these methods can handle complex feature spaces, they often suffer from issues like premature convergence and high computational costs. The proposed Coati Optimization Algorithm (COA) aims to enhance feature selection by introducing parameter-free adaptation and dynamic candidate generation, resulting in improved search efficiency and robustness for high-dimensional EEG classification.
The comparative analysis of classification performance reveals that the COA significantly outperforms traditional methods, achieving an accuracy of 96.8%, alongside high precision, recall, and F1-score metrics. In contrast, PSO and GA achieved accuracies of 90.3% and 89.7%, respectively, while mRMR and ReliefF yielded lower accuracies of 86.8% and 84.3%. These results underscore the COA’s effectiveness in selecting relevant EEG features and its suitability for real-time neural prosthetic control applications.
Results
In this section, the authors present the results of their experiments conducted to evaluate the effectiveness of the proposed framework, utilizing the PhysioNet EEG motor imagery dataset. The parameter settings for the framework are detailed in Table 1. Model performance was quantified using several metrics, including accuracy, precision, recall, and F1-score, which were averaged across multiple cross-validation folds to ensure robustness.
The experiments were carried out using Python, leveraging libraries such as Scikit-learn, TensorFlow, and PyTorch, on a computational system featuring an Intel i7 processor, 16 GB of RAM, and an NVIDIA RTX GPU. This setup facilitated comprehensive analysis and validation of the proposed framework’s capabilities in processing EEG motor imagery data.
Discussion
The discussion section of the research paper highlights significant challenges in the field of EEG-based neural prosthetic systems, particularly regarding feature selection and classification. Key issues identified include the high dimensionality and redundancy of EEG data, which adversely affect classifier performance and complicate real-time application. The paper critiques existing optimization techniques for their lack of adaptability and scalability, particularly in dynamic medical environments where rapid decision-making is crucial. To address these gaps, the authors propose a novel hybrid framework that utilizes a Coati Optimization Algorithm (COA) for dynamic feature selection, paired with both traditional classifiers (e.g., Support Vector Machines and Random Forests) and deep learning models (e.g., Convolutional Neural Networks and Recurrent Neural Networks) to enhance the classification of EEG signals related to imagined motor tasks.
The proposed framework demonstrates a 6.5% improvement in classification accuracy over existing methods, underscoring the efficacy of dynamic feature selection. The COA’s unique approach allows for parameter-free adaptation and a balanced exploration-exploitation strategy, which is essential for managing the complexities of high-dimensional EEG data. The integration of this feature selection method with deep learning models not only enhances classification accuracy but also ensures computational efficiency, making it suitable for real-time applications in neural prosthetics. The paper concludes by outlining the structure of the remaining sections, which will delve into existing methods, the linear programming formulation of the feature selection task, and detailed descriptions of the proposed methodology and its performance evaluation across various EEG datasets.