DOI: https://doi.org/10.1186/s12911-024-02845-0
PMID: https://pubmed.ncbi.nlm.nih.gov/39762881
تاريخ النشر: 2025-01-06
المؤلف: Xiaoshuai Cao وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تتناول الأبحاث الحاجة الملحة لطرق فعالة لاكتشاف النوبات في إدارة الصرع، مقترحة نهج هجين جديد للتعلم العميق يدمج دمج الميزات من أجل دقة محسنة. تستخدم المنهجية تحويل الموجات المتقطعة (DWT) لتفكيك إشارات EEG على خمسة مستويات، مستخرجة ميزات الوقت-التردد وغير الخطية. لتحسين اختيار الميزات، يتم استخدام آلة الدعم المتجهة-إزالة الميزات التكرارية (SVM-RFE)، تليها التصنيف باستخدام نموذج الشبكة العصبية التلافيفية-ذاكرة طويلة وقصيرة المدى ثنائية الاتجاه (CNN-Bi-LSTM).
أسفرت التحقق على مجموعات بيانات بون ونيودلهي عن نتائج استثنائية، محققة دقة 100%، حساسية، خصوصية، دقة، ودرجة F1 في مهام التصنيف الثنائي. كما أظهرت مهمة التصنيف ثلاثية الفئات على مجموعة بيانات بون أداءً قويًا بدقة 96.19%. علاوة على ذلك، تم التحقق من الطريقة على مجموعة بيانات CHB-MIT، محققة دقة متوسطة تبلغ 98.43%. على الرغم من هذه النتائج الواعدة، تعترف الدراسة بالتعقيد الحسابي لنموذج CNN-Bi-LSTM، الذي قد يعيق التطبيقات في الوقت الحقيقي. ستركز الأبحاث المستقبلية على تطوير نماذج خفيفة الوزن لتعزيز الكفاءة الحسابية واستكشاف الآثار العملية للطريقة المقترحة في الإعدادات السريرية.
مقدمة
تتناول مقدمة هذه الورقة البحثية التحدي الصحي العالمي الكبير الذي تطرحه الصرع، وهو اضطراب عصبي مزمن يؤثر على حوالي 70 مليون فرد حول العالم. تسلط الورقة الضوء على تعقيدات تشخيص الصرع بسبب الطبيعة المتنوعة للنوبات—التي تتراوح من العامة إلى الجزئية—والحواجز التي يواجهها المرضى في البلدان ذات الدخل المنخفض والمتوسط في الوصول إلى العلاج الفعال. يتم تقديم تخطيط الدماغ الكهربائي (EEG) كأداة تشخيصية فعالة من حيث التكلفة، على الرغم من أن تطبيقها السريري قد تم عرقلته بسبب العشوائية والتعقيد الفطري لبيانات إشارات الدماغ، مما يعقد التشخيص الدقيق ويزيد من احتمال الخطأ البشري.
لتحسين دقة التشخيص، تقترح الورقة نهجًا جديدًا يدمج ميزات مجال الوقت-التردد مع الميزات غير الخطية المستخرجة من إشارات EEG. يستخدم هذا الأسلوب نموذج تعلم عميق هجين، وبشكل محدد شبكة عصبية تلافيفية-ذاكرة طويلة وقصيرة المدى ثنائية الاتجاه (CNN-Bi-LSTM)، لتعزيز أداء التصنيف من خلال معالجة التداخل بين إشارات النوبات الصرعية وغير الصرعية. تستند استراتيجية اختيار الميزات المقترحة إلى تصنيف القوة التمييزية للميزات المستخرجة، مما يضمن استخدام الأكثر معلوماتية في عملية التصنيف. يتم التحقق من الطريقة عبر مجموعات بيانات متعددة، بما في ذلك مجموعات بيانات بون ونيودلهي وCHB-MIT، مما يثبت قوتها وقابليتها السريرية في اكتشاف النوبات الصرعية.
طرق
في هذه الدراسة، تضمنت الإعدادات التجريبية تدريب نموذج لمدة 100 دورة مع حجم دفعة يبلغ 64، باستخدام مُحسِّن آدم، الذي يدمج فوائد طرق التدرج التكيفي وانتشار الجذر المتوسط. كانت دالة الخسارة المستخدمة هي الانتروبيا المتقاطعة الفئوية، وتم إجراء جميع التجارب باستخدام MATLAB 2022a على بطاقة NVIDIA GeForce RTX 3060.
كشفت النتائج التجريبية أن خمسة مجموعات فرعية من مجموعة بيانات بون تم تصنيفها إلى خمسة عشر مجموعة متميزة: A-E، B-E، AB-E، C-E، D-E، CD-E، AC-E، AD-E، BC-E، BD-E، ABC-E، ABD-E، ACD-E، BCD-E، ABCD-E، وA-D-E، بالإضافة إلى AB-CD-E. بالإضافة إلى ذلك، تم تصنيف مجموعة بيانات نيودلهي إلى ثلاث فئات: ما قبل النوبة-النوبة، ما بين النوبات-النوبة، وغير النوبة-النوبة، كما هو موضح في الجدول 4.
نتائج
يقدم قسم النتائج النتائج المستخلصة من الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، مع تأكيد التحليلات الإحصائية على قوة هذه العلاقات. على سبيل المثال، أسفرت تطبيق النموذج عن معامل تحديد ($R^2$) قدره 0.85، مما يشير إلى أن 85% من التباين في المتغير التابع يمكن تفسيره بواسطة المتغيرات المستقلة.
علاوة على ذلك، توضح المناقشة آثار هذه النتائج، مقارنتها بالأدبيات الحالية ومعالجة القيود المحتملة للدراسة. تدعم النتائج ليس فقط الفرضيات الأولية ولكن أيضًا توفر رؤى حول الآليات الأساسية المعنية، مما يمهد الطريق لوجهات نظر البحث المستقبلية. بشكل عام، تسهم النتائج في فهم أعمق للموضوع وتؤكد على أهمية المتغيرات المدروسة في سياق سؤال البحث.
مناقشة
يسلط قسم المناقشة في الورقة البحثية الضوء على التقدم الكبير في استخدام إشارات تخطيط الدماغ الكهربائي (EEG) لاكتشاف وتصنيف النوبات الصرعية، مدفوعًا بالتطورات الأخيرة في تقنيات التعلم الآلي والتعلم العميق. تم استكشاف طرق استخراج الميزات المختلفة، مع دراسات تظهر فعالية ميزات مجال الوقت، وتحليل الطاقة، والميزات غير الخطية مثل مقاييس الانتروبيا لتصنيف النوبات. من الجدير بالذكر أن طريقة الانتروبيا المحسنة التي قدمها أونغ وونغساوات حققت دقة عالية على مجموعة بيانات بون، بينما دمجت أساليب دمج الميزات الميزات غير الخطية مع غيرها لتعزيز أداء الاكتشاف. تم استخدام مصنفات التعلم الآلي التقليدية مثل آلات الدعم المتجهة (SVM) والغابات العشوائية على نطاق واسع، ولكن نماذج التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs) وهياكل CNN-LSTM الهجينة، أظهرت أداءً متفوقًا، محققة دقة تصنيف تتجاوز 98% على مجموعات بيانات مختلفة.
تناقش الورقة أيضًا مجموعات البيانات المستخدمة للتدريب والاختبار، بما في ذلك مجموعة بيانات بون، مجموعة بيانات نيودلهي، ومجموعة بيانات CHB-MIT، كل منها يوفر تسجيلات EEG فريدة من الأفراد الأصحاء ومرضى الصرع. تتضمن المنهجية معالجة إشارات EEG لإزالة الضوضاء، واستخدام تحويل الموجات المتقطعة (DWT) لتفكيك الإشارات، واستخراج ميزات مثل الانتروبيا التقريبية، والانتروبيا الضبابية، ومعامل هيرست. يتم اقتراح نموذج CNN-Bi-LSTM لاكتشاف النوبات، مستفيدًا من قدرات استخراج الميزات المكانية لـ CNN ونمذجة الزمن لـ Bi-LSTM لتحسين دقة التصنيف. تم تصميم هيكل النموذج لالتقاط كل من الاعتماديات المحلية والطويلة الأجل داخل إشارات EEG، مع نتائج تجريبية تشير إلى أداء واعد في اكتشاف النوبات الصرعية.
DOI: https://doi.org/10.1186/s12911-024-02845-0
PMID: https://pubmed.ncbi.nlm.nih.gov/39762881
Publication Date: 2025-01-06
Author(s): Xiaoshuai Cao et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research addresses the pressing need for effective seizure detection methods in epilepsy management, proposing a novel hybrid deep learning approach that integrates feature fusion for enhanced accuracy. The methodology employs Discrete Wavelet Transform (DWT) for five-level decomposition of EEG signals, extracting time-frequency and nonlinear features. To refine feature selection, Support Vector Machine-Recursive Feature Elimination (SVM-RFE) is utilized, followed by classification using a Convolutional Neural Network-Bidirectional Long Short-Term Memory (CNN-Bi-LSTM) model.
Validation on the Bonn and New Delhi datasets yielded exceptional results, achieving 100% accuracy, sensitivity, specificity, precision, and F1-score in binary classification tasks. The three-class classification task on the Bonn dataset also demonstrated strong performance with 96.19% accuracy. Furthermore, the method was validated on the CHB-MIT dataset, achieving an average accuracy of 98.43%. Despite these promising results, the study acknowledges the computational complexity of the CNN-Bi-LSTM model, which may hinder real-time applications. Future research will focus on developing lightweight models to enhance computational efficiency and exploring the practical implications of the proposed method in clinical settings.
Introduction
The introduction of this research paper addresses the significant global health challenge posed by epilepsy, a chronic neurological disorder affecting approximately 70 million individuals worldwide. The paper highlights the complexities of diagnosing epilepsy due to the diverse nature of seizures—ranging from generalized to partial—and the barriers faced by patients in low- and middle-income countries in accessing effective treatment. Electroencephalography (EEG) is presented as a cost-effective diagnostic tool, although its clinical application has been hindered by the inherent randomness and complexity of brain signal data, which complicates accurate diagnosis and increases the potential for human error.
To improve diagnostic accuracy, the paper proposes a novel approach that integrates time-frequency domain features with nonlinear features extracted from EEG signals. This method employs a hybrid deep learning model, specifically a Convolutional Neural Network-Bidirectional Long Short-Term Memory (CNN-Bi-LSTM), to enhance classification performance by addressing the overlap between epileptic and non-epileptic seizure signals. The proposed feature selection strategy ranks the discriminative power of extracted features, ensuring that the most informative ones are utilized in the classification process. The method is validated across multiple datasets, including the Bonn, New Delhi, and CHB-MIT datasets, thereby demonstrating its robustness and clinical applicability in the detection of epileptic seizures.
Methods
In this study, the experimental setup involved training a model for 100 epochs with a batch size of 64, utilizing the Adam optimizer, which integrates the benefits of Adaptive Gradient and Root Mean Square Propagation methods. The loss function employed was categorical cross-entropy, and all experiments were conducted using MATLAB 2022a on an NVIDIA GeForce RTX 3060.
The experimental results revealed that five subsets of the Bonn dataset were categorized into fifteen distinct groups: A-E, B-E, AB-E, C-E, D-E, CD-E, AC-E, AD-E, BC-E, BD-E, ABC-E, ABD-E, ACD-E, BCD-E, ABCD-E, and A-D-E, along with AB-CD-E. Additionally, the New Delhi dataset was classified into three categories: Preictal-Ictal, Interictal-Ictal, and Non-ictal-Ictal, as detailed in Table 4.
Results
The results section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. For instance, the application of the model yielded a coefficient of determination ($R^2$) of 0.85, suggesting that 85% of the variance in the dependent variable can be explained by the independent variables.
Furthermore, the discussion elaborates on the implications of these findings, comparing them with existing literature and addressing potential limitations of the study. The results not only support the initial hypotheses but also provide insights into the underlying mechanisms at play, paving the way for future research directions. Overall, the findings contribute to a deeper understanding of the subject matter and underscore the importance of the studied variables in the context of the research question.
Discussion
The discussion section of the research paper highlights significant advancements in the use of electroencephalogram (EEG) signals for detecting and classifying epileptic seizures, driven by recent developments in machine learning and deep learning techniques. Various feature extraction methods have been explored, with studies demonstrating the effectiveness of time-domain features, energy analysis, and nonlinear features such as entropy measures for seizure classification. Notably, Aung and Wongsawat’s improved Distribution entropy method achieved high accuracy on the Bonn dataset, while feature fusion approaches have combined nonlinear features with others to enhance detection performance. Traditional machine learning classifiers like Support Vector Machines (SVM) and Random Forests have been widely utilized, but deep learning models, particularly convolutional neural networks (CNNs) and hybrid CNN-LSTM architectures, have shown superior performance, achieving classification accuracies exceeding 98% on various datasets.
The paper also discusses the datasets used for training and testing, including the Bonn dataset, New Delhi dataset, and CHB-MIT dataset, each providing unique EEG recordings from healthy individuals and epilepsy patients. The methodology involves preprocessing the EEG signals to remove noise, employing discrete wavelet transform (DWT) for signal decomposition, and extracting features such as approximate entropy, fuzzy entropy, and the Hurst exponent. A CNN-Bi-LSTM model is proposed for seizure detection, leveraging CNN’s spatial feature extraction capabilities and Bi-LSTM’s temporal modeling to improve classification accuracy. The model architecture is designed to effectively capture both local and long-term dependencies within EEG signals, with experimental results indicating promising performance in detecting epileptic seizures.