DOI: https://doi.org/10.1007/s42452-025-07084-0
تاريخ النشر: 2025-05-23
المؤلف: Sivasankaran Pichandi وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تبحث هذه الدراسة في تطبيق قياس إشارة EEG (تخطيط الدماغ الكهربائي) غير الغازي للكشف عن العوامل العاطفية والمتعلقة بالتوتر لدى الأفراد، مع التركيز بشكل خاص على القنوات المرتبطة بالنشاط الحركي، والعمليات المعرفية، والإدراك البصري. تهدف الدراسة إلى دمج التنبؤ بالتوتر والأمراض في إطار موحد، ليكون بمثابة نظام إنذار مبكر لمساعدة الأفراد في تقليل المخاطر الصحية المرتبطة بالتوتر المزمن، والذي يرتبط بالاستجابات الالتهابية وزيادة خطر الإصابة بأمراض القلب والسكتة الدماغية.
تستخدم المنهجية المقترحة خوارزميات التعلم العميق المتقدمة لتصنيف المشاعر الناتجة عن التوتر وتقييم خطر السكتة الدماغية. على وجه التحديد، يتم استخدام شبكة BiLSTM (ذاكرة طويلة وقصيرة المدى ثنائية الاتجاه) لتصنيف المشاعر، بينما يتم تطبيق التعلم العميق Q لتقييم خطر السكتة الدماغية. يتميز النموذج بتقنية تحسين هجينة محسّنة لاستخراج الميزات، مما يعزز قدراته التنبؤية. تظهر تجارب التحقق باستخدام مجموعة بيانات DEAP أداء النموذج المتفوق مقارنة بالطرق التقليدية، مما يبرز إمكانيته في الكشف المبكر عن خطر السكتة الدماغية وزيادة الدقة في التنبؤ بالتوتر ونتائج السكتة الدماغية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية تخطيط الدماغ الكهربائي (EEG) في تقييم وظيفة الدماغ لأغراض سريرية وبحثية. يتم تصنيف إشارات EEG إلى نطاقات تردد مختلفة—دلتا (0.5-4 هرتز)، ثيتا (4-7 هرتز)، ألفا (8-12 هرتز)، بيتا (13-30 هرتز)، وغاما (30-90 هرتز)—كل منها مرتبط بحالات معرفية وفسيولوجية مميزة. على سبيل المثال، ترتبط موجات دلتا بالنوم العميق والاضطرابات العصبية، بينما ترتبط موجات غاما بالوظائف المعرفية العليا مثل الإدراك والذاكرة. تؤكد الورقة على دور التوتر كعامل حاسم يؤثر على الصحة، حيث يعد EEG أداة غير غازية قيمة لقياس التوتر من خلال النشاط الكهربائي للدماغ.
تقترح الدراسة نموذجًا جديدًا للتنبؤ بالسكتة الدماغية يعتمد على التوتر يستخدم إشارات EEG للكشف عن التوتر وتوقع احتمال حدوث السكتات. تشمل المساهمات الرئيسية الحفاظ على بيانات EEG الخام أثناء المعالجة المسبقة للحفاظ على سلامة الإشارة، وتنفيذ خوارزمية تحسين هجينة Zebra-Chimp Optimization (ZCO) لاستخراج الميزات بشكل فعال، واستخدام نماذج التعلم العميق المتكاملة، وبشكل خاص شبكة ذاكرة طويلة وقصيرة المدى ثنائية الاتجاه (BiLSTM) لتصنيف التوتر وشبكة Q العميقة (DQN) للتنبؤ بالسكتة الدماغية. توضح الورقة هيكلها، مع تخصيص الأقسام اللاحقة لمراجعة الأدبيات، النموذج المقترح، النتائج، والمناقشات.
النتائج
تقدم نتائج الدراسة نموذجًا للتنبؤ بالسكتة الدماغية يعتمد على التوتر تم تقييمه من خلال تحليل المحاكاة باستخدام بايثون للتحسين وخوارزميات التعلم العميق. تستخدم الدراسة مجموعة بيانات DEAP، التي تتكون من بيانات EEG بست قنوات، لاستخراج الميزات ذات الصلة لتصنيف الحالات العاطفية باستخدام نموذج BiLSTM. يركز النموذج على مجموعة فرعية من ست قنوات EEG—C1، C2، T7، T8، Fz، وOz—بدلاً من استخدام جميع 32 قناة المتاحة في مجموعة البيانات. يتم تبرير هذا الاختيار بالحاجة إلى تقليل التكاليف الحاسوبية وتجنب إدخال ضوضاء فسيولوجية كهربائية غير ذات صلة قد تؤثر على التطبيقات في الوقت الحقيقي.
تم اختيار القنوات المختارة بشكل استراتيجي بناءً على أهميتها في تصنيف مشاعر التوتر وتوقع خطر السكتة الدماغية. تلتقط القنوات C1 وC2، الواقعة فوق منطقة الحركية الحسية، النشاط الدماغي المرتبط بالحركة والذي يعد حاسمًا لتوقع السكتة الدماغية. تشارك T7 وT8 في معالجة المشاعر والتوتر، بينما يرتبط Fz، الموجود في الفص الجبهي، بالتحكم المعرفي واتخاذ القرار تحت الضغط. أخيرًا، تساهم Oz في الإدراك البصري وتعديل الانتباه في الظروف المجهدة. يظهر أداء النموذج فعالية استخدام هذه القنوات المحددة لتحديد التغيرات العصبية الناتجة عن التوتر المتعلقة بخطر السكتة الدماغية.
المناقشة
تستعرض قسم المناقشة في الورقة التقدمات الأخيرة في تحليل التوتر وتوقع السكتة الدماغية باستخدام إشارات EEG، مع تسليط الضوء على فعالية نماذج التعلم الآلي والتعلم العميق المختلفة. تشير إلى أن الشبكات العصبية التلافيفية (CNNs) قد تفوقت على الخوارزميات التقليدية مثل آلات الدعم المتجه (SVM) والبيرسيبترونات متعددة الطبقات في مهام تصنيف التوتر. بالإضافة إلى ذلك، أظهرت الدراسات أن دمج تحليل تباين معدل ضربات القلب يعزز الكشف عن التوتر، بينما حسنت النماذج التي تستخدم انتروبيا متعددة المتغيرات متعددة المقاييس وتحليل المكونات الرئيسية دقة التصنيف. يؤكد القسم على الحاجة إلى استخراج ميزات مثالية لتعزيز أداء النموذج ويشير إلى أن الأبحاث الحالية لم تجمع بعد بين منهجيات التنبؤ بالتوتر والسكتة الدماغية.
يقدم العمل المقترح نموذجًا جديدًا من ثلاث مراحل يدمج التنبؤ بالسكتة الدماغية المعتمد على التوتر باستخدام خوارزمية تحسين هجينة تجمع بين تقنيات تحسين Zebra وChimp. في المرحلة الأولى، يتم استخراج الميزات المثلى من إشارات EEG، تليها تصنيف مشاعر التوتر باستخدام نموذج ذاكرة طويلة وقصيرة المدى ثنائية الاتجاه (BiLSTM) في المرحلة الثانية. تستخدم المرحلة النهائية شبكة Q العميقة (DQN) للتنبؤ بخطر السكتة الدماغية بناءً على الميزات المستخرجة والمشاعر المصنفة. تعتبر DQN مناسبة بشكل خاص لهذه المهمة نظرًا لقدرتها على التعامل مع اتخاذ القرارات المتسلسلة وتحسين دقة التنبؤ من خلال إعادة تشغيل التجارب والتحديثات التكرارية. تهدف المنهجية إلى تعزيز فهم النشاط الدماغي المرتبط بالتوتر وآثاره على خطر السكتة الدماغية، مما يمهد الطريق لأدوات تشخيصية أكثر فعالية.
DOI: https://doi.org/10.1007/s42452-025-07084-0
Publication Date: 2025-05-23
Author(s): Sivasankaran Pichandi et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This research investigates the application of non-invasive EEG (electroencephalogram) signal measurement to detect emotional and stress-related factors in individuals, with a particular focus on channels associated with motor activity, cognitive processes, and visual perception. The study aims to integrate stress and disease prediction into a unified framework, serving as an early warning system to help individuals mitigate health risks associated with chronic stress, which is linked to inflammatory responses and an increased risk of cardiovascular diseases and stroke.
The proposed methodology employs advanced deep learning algorithms to classify stress-induced emotions and assess stroke risk. Specifically, a BiLSTM (Bidirectional Long Short-Term Memory) network is utilized for emotion classification, while deep Q-learning is applied for stroke risk assessment. The model features an optimized hybrid optimization technique for feature extraction, enhancing its predictive capabilities. Validation experiments using the DEAP dataset demonstrate the model’s superior performance compared to traditional methods, highlighting its potential for early stroke risk detection and improved accuracy in predicting stress and stroke outcomes.
Introduction
The introduction of this research paper highlights the significance of electroencephalography (EEG) in assessing brain function for both clinical and research purposes. EEG signals are categorized into different frequency bands—delta (0.5-4 Hz), theta (4-7 Hz), alpha (8-12 Hz), beta (13-30 Hz), and gamma (30-90 Hz)—each associated with distinct cognitive and physiological states. For instance, delta waves are linked to deep sleep and neurological disorders, while gamma waves are related to higher cognitive functions such as perception and memory. The paper emphasizes the role of stress as a critical factor affecting health, with EEG being a valuable non-invasive tool for measuring stress through the electrical activity of the brain.
The research proposes a novel stress-based stroke prediction model that utilizes EEG signals to detect stress and predict the likelihood of strokes. Key contributions include the preservation of raw EEG data during preprocessing to maintain signal integrity, the implementation of a hybrid Zebra-Chimp Optimization (ZCO) algorithm for effective feature extraction, and the use of integrated deep learning models, specifically a Bidirectional Long Short-Term Memory (BiLSTM) network for stress classification and a Deep Q-Network (DQN) for stroke prediction. The paper outlines its structure, with subsequent sections dedicated to a literature review, the proposed model, results, and discussions.
Results
The results of the study present a stress-based stroke prediction model evaluated through simulation analysis using Python for optimization and deep learning algorithms. The research employs the DEAP dataset, which consists of six-channel EEG data, to extract features relevant for classifying emotional states with a BiLSTM model. The model focuses on a subset of six EEG channels—C1, C2, T7, T8, Fz, and Oz—rather than utilizing all 32 channels available in the dataset. This selection is justified by the need to reduce computational costs and avoid introducing irrelevant electrophysiological noise that could affect real-time applications.
The chosen channels are strategically selected based on their significance in stress emotion classification and stroke risk prediction. Channels C1 and C2, located over the sensorimotor region, capture motor-related brain activity critical for stroke prediction. T7 and T8 are involved in emotional and stress processing, while Fz, positioned in the frontal lobe, is associated with cognitive control and decision-making under stress. Finally, Oz contributes to visual perception and attention modulation in stressful conditions. The model’s performance demonstrates the effectiveness of using these specific channels to identify stress-induced neurological changes pertinent to stroke risk.
Discussion
The discussion section of the paper reviews recent advancements in stress analysis and stroke prediction using EEG signals, highlighting the effectiveness of various machine learning and deep learning models. It notes that convolutional neural networks (CNNs) have outperformed traditional algorithms like support vector machines (SVM) and multilayer perceptrons in stress classification tasks. Additionally, studies have shown that incorporating heart rate variability analysis enhances stress detection, while models employing multivariate multiscale entropy and principal component analysis have improved classification accuracy. The section emphasizes the need for optimal feature extraction to enhance model performance and points out that existing research has not yet combined stress and stroke prediction methodologies.
The proposed work introduces a novel three-phase model that integrates stress-based stroke prediction using a hybrid optimization algorithm combining Zebra and Chimp optimization techniques. In the first phase, optimal features from EEG signals are extracted, followed by stress emotion classification using a Bidirectional Long Short-Term Memory (BiLSTM) model in the second phase. The final phase employs a Deep Q-Network (DQN) to predict stroke risk based on the extracted features and classified emotions. The DQN is particularly suited for this task due to its ability to handle sequential decision-making and improve prediction accuracy through experience replay and iterative updates. The methodology aims to enhance the understanding of stress-related brain activity and its implications for stroke risk, paving the way for more effective diagnostic tools.