DOI: https://doi.org/10.1038/s41598-024-84429-6
PMID: https://pubmed.ncbi.nlm.nih.gov/39755908
تاريخ النشر: 2025-01-04
المؤلف: Jammisetty Yedukondalu وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تستقصي هذه الدراسة تقييم الحمل المعرفي من خلال تحليل إشارات تخطيط الدماغ الكهربائي (EEG)، مع التركيز على استجابة الدماغ للمؤثرات التي تسبب التوتر. باستخدام تحليل المتوسط المحلي القوي (R-LMD)، تم تحليل بيانات EEG إلى خمسة أوضاع على مدى أربع ثوانٍ. تم استخدام خوارزمية تحسين الحساب الثنائي (BAO) لتقليل مساحة الميزات واستخراج ميزات متعددة المجالات، مما يعزز أداء التصنيف. استخدمت الدراسة ستة مصنفات تعلم آلي محسّنة، محققة دقة تصنيف (AC) تبلغ 97.4% لمجموعة بيانات مهمة الحساب الذهني (MAT) و96.1% لمجموعة بيانات الحمل المتزامن (STEW). ومن الجدير بالذكر أن القناة F3 أظهرت أعلى دقة بنسبة 94.5% و94% لمجموعتي MAT وSTEW، على التوالي.
تشير النتائج إلى أن المنهجية المقترحة، التي تجمع بين R-LMD وBAO ومصنفات التعلم الجماعي المحسّنة (OEL)، تتفوق على التقنيات الحالية الرائدة في الكشف عن الحمل المعرفي. تؤكد الدراسة على أهمية التحليل حسب القناة، مما يوفر رؤى زمنية ومكانية حول نشاط الدماغ أثناء المهام المعرفية. تشمل اتجاهات البحث المستقبلية تطبيق نماذج التعلم العميق لتحسين دقة التصنيف، وتنفيذ تقنيات تقليل الضوضاء والفن أثناء المعالجة المسبقة، واستكشاف طرق تحليل إضافية وتقنيات اختيار الميزات.
طرق
في هذه الدراسة، تم تحليل إشارات EEG إلى دوال وضعية داخلية (IMFs) باستخدام تقنية تحليل المتوسط الأدنى التكراري (RLMD). من هذه الدوال، تم استخراج ميزات الانتروبيا لوصف خصائص الإشارة. لتعزيز اختيار الميزات، تم استخدام طريقة تحسين مستعمرة النمل الثنائي (BAO) لتحديد المجموعة الفرعية المثلى من الميزات (المشار إليها بـ SFeat) بناءً على دالة لياقة محددة.
بعد اختيار الميزات، تم استخدام مصنفات تعلم آلي محسّنة متنوعة—بما في ذلك أشجار القرار، وتحليل التمييز، ونايف بايز، وأقرب الجيران (KNN)، وآلات الدعم الناقل (SVM)، والتعلم الجماعي (EL)—للمهام التصنيفية. يتم تلخيص المنهجية بصريًا في رسم بياني (الشكل 1)، مع تقديم مزيد من الشروحات التفصيلية في الأقسام اللاحقة من الورقة.
نتائج
في هذا القسم، يوضح المؤلفون تنفيذ واختبار طريقتهم المقترحة باستخدام MATLAB R2022a على نظام مزود بمعالج Intel Core i7 و16 جيجابايت من الذاكرة العشوائية. تم تقييم النتائج من خلال نهجين متميزين: التحليل حسب القناة والتقييم العام للميزات باستخدام تقنية R-LMD. نظرًا للعدد الكبير من الميزات المعنية، استخدم المؤلفون طريقة BAO FS لتحديد الميزات المثلى المتعلقة بكل من التحليلات حسب القناة والتحليلات العامة. ستتناول الأقسام الفرعية التالية النتائج المحددة والتحليلات المستمدة من هذه التقييمات.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم الكبير في استخدام تخطيط الدماغ الكهربائي (EEG) لتقييم الأحمال العقلية والوظائف المعرفية. لقد أثبت EEG أنه أداة غير جراحية حيوية في علم النفس والعلوم المعرفية، مما يسهل مراقبة نشاط الدماغ أثناء المهام المختلفة. تستعرض الورقة منهجيات مختلفة لمعالجة بيانات EEG، بما في ذلك استخراج الميزات، واختيار الميزات (FS)، وتقنيات التصنيف، والتي كانت محورية في تعزيز دقة تقييمات الحمل المعرفي. يتم الاستشهاد بمساهمات ملحوظة من دراسات سابقة، مثل استخدام طيف البعد الكسري من قبل وانغ وآخرين لتقييم الحمل العقلي وتطبيق الخوارزميات الجينية من قبل شون وآخرين لتحسين دقة التعرف على التوتر إلى 89%.
يقترح المؤلفون نهجًا جديدًا يستخدم تحليل المتوسط المحلي القوي (RLMD) لتفكيك الإشارة، وتحسين الحساب الثنائي (BAO) لاختيار الميزات المثلى، ومصنف جماعي محسّن للتصنيف. تهدف هذه المنهجية إلى تعزيز الكشف عن الحمل المعرفي من خلال تحليل كيفية مساهمة مناطق الدماغ المختلفة في العمليات المعرفية. تشمل مزايا RLMD على الطرق التقليدية التفكيك التكيفي، والحفاظ على الميزات المحلية، والكفاءة الحسابية، مما يجعلها مناسبة للتطبيقات في الوقت الحقيقي. تؤكد الورقة على أهمية استخدام تقنيات FS المتقدمة، مثل BAO، التي تحسن معدلات التقارب وتحافظ على تنوع السكان، مما يعزز دقة التصنيف. بشكل عام، تشير النتائج إلى أن دمج هذه التقنيات المتقدمة يمكن أن يؤدي إلى تقييمات أكثر دقة وكفاءة تعتمد على EEG للحمل المعرفي والحالات العقلية.
DOI: https://doi.org/10.1038/s41598-024-84429-6
PMID: https://pubmed.ncbi.nlm.nih.gov/39755908
Publication Date: 2025-01-04
Author(s): Jammisetty Yedukondalu et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This study investigates the evaluation of cognitive load through the analysis of electroencephalogram (EEG) signals, focusing on the brain’s response to stress-inducing stimuli. Utilizing robust local mean decomposition (R-LMD), EEG data was decomposed into five modes over a four-second interval. The binary arithmetic optimization (BAO) algorithm was employed to reduce the feature space and extract multi-domain features, enhancing classification performance. The research utilized six optimized machine learning classifiers, achieving a classification accuracy (AC) of 97.4% for the mental arithmetic task (MAT) dataset and 96.1% for the simultaneous workload (STEW) dataset. Notably, the F3 lead demonstrated the highest accuracy of 94.5% and 94% for MAT and STEW, respectively.
The findings indicate that the proposed methodology, combining R-LMD, BAO, and optimized ensemble learning (OEL) classifiers, surpasses existing state-of-the-art techniques in cognitive load detection. The study emphasizes the importance of lead-wise analysis, providing both temporal and spatial insights into brain activity during cognitive tasks. Future research directions include the application of deep learning models to improve classification accuracy, the implementation of noise and artifact reduction techniques during preprocessing, and the exploration of additional decomposition methods and feature selection techniques.
Methods
In this study, EEG signals were decomposed into intrinsic mode functions (IMFs) using the Recursive Least Mean Decomposition (RLMD) technique. From these IMFs, entropy features were extracted to characterize the signal properties. To enhance feature selection, the Binary Ant Colony Optimization (BAO) method was employed to identify the optimal subset of features (denoted as SFeat) based on a defined fitness function.
Following feature selection, various optimized machine learning classifiers—including decision trees, discriminant analysis, naive Bayes, k-nearest neighbors (KNN), support vector machines (SVM), and ensemble learning (EL)—were utilized for classification tasks. The methodology is visually summarized in a diagram (Fig. 1), with further detailed explanations provided in subsequent sections of the paper.
Results
In this section, the authors detail the implementation and testing of their proposed method using MATLAB R2022a on a system equipped with an Intel Core i7 CPU and 16 GB of RAM. The results were evaluated through two distinct approaches: lead-wise analysis and overall feature assessment utilizing the R-LMD technique. Given the extensive number of features involved, the authors employed the BAO FS method to identify the optimal features pertinent to both lead-wise and overall analyses. Subsequent subsections will elaborate on the specific findings and analyses derived from these evaluations.
Discussion
The discussion section of the research paper highlights the significant advancements in the use of Electroencephalography (EEG) for assessing mental workloads and cognitive functions. EEG has proven to be a vital noninvasive tool in cognitive science and psychology, facilitating the monitoring of brain activity during various tasks. The paper reviews various methodologies for EEG data processing, including feature extraction, feature selection (FS), and classification techniques, which have been pivotal in enhancing the accuracy of cognitive workload assessments. Notable contributions from previous studies are cited, such as the use of fractal dimension spectrum by Wang et al. for mental workload assessment and the application of genetic algorithms by Shon et al. to improve stress recognition accuracy to 89%.
The authors propose a novel approach utilizing robust-local mean decomposition (RLMD) for signal decomposition, Binary Arithmetic Optimization (BAO) for optimal feature selection, and an optimized ensemble classifier for classification. This methodology aims to enhance cognitive load detection by effectively analyzing how different brain regions contribute to cognitive processes. The advantages of RLMD over traditional methods include adaptive decomposition, preservation of local features, and computational efficiency, making it suitable for real-time applications. The paper emphasizes the importance of employing advanced FS techniques, such as BAO, which improves convergence rates and maintains population diversity, thereby enhancing classification accuracy. Overall, the findings suggest that integrating these advanced techniques can lead to more accurate and efficient EEG-based assessments of cognitive workload and mental states.