DOI: https://doi.org/10.1038/s41598-024-51337-8
PMID: https://pubmed.ncbi.nlm.nih.gov/38191643
تاريخ النشر: 2024-01-08
المؤلف: M. V. V. Prasad Kantipudi وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم ورقة البحث نظامًا آليًا جديدًا لاكتشاف وتصنيف النوبات الصرعية من إشارات EEG، مع معالجة قيود الطرق الحالية التي غالبًا ما تعاني من تعقيد عالٍ ودقة منخفضة. يستخدم النظام المقترح تقنية تصفية تعتمد على الموجات الهاير الخطية المحدودة (FLHF) لمعالجة الإشارات، تليها استخراج الميزات باستخدام تحليل الأبعاد الكسرية (FD). يتم استخدام طريقة تحسين السرب المستوحاة من الجراد (GBSO) لاختيار الميزات المثلى، ويتم تنفيذ الشبكة العصبية التوسعية ذات التنشيط الزمني (TAENN) للتصنيف. يهدف دمج هذه التقنيات إلى تعزيز دقة الاكتشاف مع تقليل التعقيد الحاسوبي واستهلاك الوقت.
تشير النتائج إلى أن نهج GBSO-TAENN يحقق أداء اكتشاف متوسط مثير للإعجاب بنسبة 99.6%، مع قياس F بنسبة 99% ومتوسط G بنسبة 98.9%. تم التحقق من هذا الأداء عبر مجموعتين متميزتين من البيانات المرجعية، مما يظهر نتائج متفوقة مقارنة بالطرق التقليدية. تؤكد الدراسة على أهمية الكشف الدقيق عن النوبات للعلاج في الوقت المناسب، نظرًا للتأثير الكبير للصرع على حياة الأفراد. قد تستكشف الأعمال المستقبلية تطبيق نماذج التعلم العميق المتقدمة لتحسين أنظمة التشخيص الطبي بشكل أكبر.
النتائج
تتناول قسم النتائج تقييم أداء كل من التقنيات الحالية والمقترحة لاكتشاف النوبات الصرعية، مع التركيز على مقاييس الأداء المختلفة. تكمن المساهمة الرئيسية لهذا البحث في التعرف الدقيق على النوبات الصرعية من إشارات EEG من خلال تنفيذ طرق تحسين وتصنيف متقدمة. تؤكد الدراسة على تعزيز دقة الاكتشاف مع تقليل التعقيد الحاسوبي.
لتحقيق ذلك، يدمج النهج المقترح مجموعة من تحسين الذئب الرمادي (GWO) وشبكة عصبية صدى مدركة للوقت (TAENN). يصنف هذا الآلية الهجينة الإشارات المدخلة على أنها طبيعية أو تشير إلى نوبة، مما يظهر أداءً محسنًا في اكتشاف النوبات مقارنة بالطرق التقليدية.
المناقشة
يقدم البحث المقترح نظامًا آليًا جديدًا لاكتشاف النوبات الصرعية يستفيد من تقنيات تحسين مستوحاة من الطبيعة والتعلم العميق المتقدمة. تشمل المساهمات الرئيسية تطوير منهجية استخراج ميزات تعتمد على الأبعاد الكسرية (FD) لإشارات EEG، مما يعزز التعرف على الشذوذ في الإشارات. يتم استخدام تقنية تحسين السرب المستوحاة من الجراد (GBSO) لتحسين اختيار الميزات وضبط المعلمات الفائقة، مما يحسن بشكل كبير من أداء نظام اكتشاف النوبات مع تقليل التعقيد الحاسوبي. تم التحقق من فعالية النظام باستخدام مجموعات بيانات EEG معقدة، مثل تلك من جامعة بون وCHB-MIT، مما يظهر قدرته على تصنيف إشارات EEG بدقة كطبيعية أو متأثرة بالنوبات.
تستعرض المناقشة أيضًا الخوارزميات التقليدية الحالية لاكتشاف إشارات EEG، مع تسليط الضوء على مزاياها وقيودها، مثل التعقيد الحاسوبي العالي والدقة المنخفضة. يتم فحص طرق مختلفة، بما في ذلك النماذج المتغيرة زمنياً والتقنيات المعتمدة على الموجات، مما يكشف عن اتجاه نحو تحسين أداء التصنيف ولكن غالبًا على حساب زيادة وقت المعالجة. يهدف إطار GBSO-TAENN المقترح إلى معالجة هذه التحديات من خلال دمج استراتيجيات المعالجة المسبقة الفعالة، واستخراج الميزات، والتصنيف، مما يعزز في النهاية دقة وكفاءة اكتشاف النوبات مع تقليل الوقت المطلوب للمعالجة.
DOI: https://doi.org/10.1038/s41598-024-51337-8
PMID: https://pubmed.ncbi.nlm.nih.gov/38191643
Publication Date: 2024-01-08
Author(s): M. V. V. Prasad Kantipudi et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research paper presents a novel automated system for the detection and classification of epileptic seizures from EEG signals, addressing the limitations of existing methods that often suffer from high complexity and reduced accuracy. The proposed system employs a Finite Linear Haar wavelet-based Filtering (FLHF) technique for signal preprocessing, followed by feature extraction using Fractal Dimension (FD) analysis. The Grasshopper Bio-Inspired Swarm Optimization (GBSO) method is utilized for optimal feature selection, and the Temporal Activation Expansive Neural Network (TAENN) is implemented for classification. The integration of these techniques aims to enhance detection accuracy while minimizing computational complexity and time consumption.
The results indicate that the GBSO-TAENN approach achieves an impressive average detection performance of 99.6%, with an F-measure of 99% and a G-mean of 98.9%. This performance is validated across two distinct benchmark datasets, demonstrating superior results compared to traditional methods. The study emphasizes the importance of accurate seizure detection for timely treatment, given the significant impact of epilepsy on individuals’ lives. Future work may explore the application of advanced deep learning models to further improve medical diagnostic systems.
Results
The results section details the performance evaluation of both existing and proposed techniques for epileptic seizure detection, focusing on various performance metrics. The primary contribution of this research lies in the accurate identification of epileptic seizures from EEG signals through the implementation of advanced optimization and classification methods. The study emphasizes enhancing detection accuracy while minimizing computational complexity.
To achieve this, the proposed approach integrates a combination of Grey Wolf Optimization (GWO) and a Time-Aware Echo Neural Network (TAENN). This hybrid mechanism effectively classifies input signals as either normal or indicative of a seizure, demonstrating improved performance in seizure detection compared to traditional methods.
Discussion
The proposed research presents a novel automated system for epileptic seizure detection that leverages advanced bio-inspired optimization and deep learning techniques. Key contributions include the development of a Fractal Dimension (FD)-based feature extraction methodology for EEG signals, which enhances the identification of signal abnormalities. The Grasshopper Bio-inspired Swarm Optimization (GBSO) technique is employed to optimize feature selection and hyper-parameter tuning, significantly improving the performance of the seizure detection system while reducing computational complexity. The effectiveness of the system is validated using complex EEG datasets, such as those from the University of Bonn and CHB-MIT, demonstrating its capability to accurately classify EEG signals as normal or seizure-affected.
The discussion also reviews existing conventional algorithms for EEG signal detection, highlighting their advantages and limitations, such as high computational complexity and reduced accuracy. Various methods, including Time-Varying models and wavelet-based techniques, are examined, revealing a trend towards improved classification performance but often at the cost of increased processing time. The proposed GBSO-TAENN framework aims to address these challenges by integrating efficient preprocessing, feature extraction, and classification strategies, ultimately enhancing the accuracy and efficiency of seizure detection while minimizing the time required for processing.