یک روش یادگیری ماشین مبتنی بر EEG برای نمایش اختلال مصرف الکل

قیمت: 45,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

یک روش یادگیری ماشین مبتنی بر EEG برای نمایش اختلال مصرف الکل

عنوان لاتین

An EEG-based machine learning method to screen alcohol use disorder

غربالگری بیماران مبتلا به اختلال مصرف الکل (AUD) با توجه به درگیر ذهنیتی، فرآیند چالش برانگیز بوده است. از این رو، برای تجزیه و تحلیل غربالگری بیماران مبتلا به AUD، روش های قوی و عینی لازم است. در این مقاله، یک روش یادگیری ماشین پیشنهاد شده است که از ویژگی های اقتصادی الکتروانسفالوگرافی EEG به عنوان داده های ورودی برای طبقه بندی بیماران AUD و کنترل های سالم استفاده شده و برای انجام غربالگری خودکار بیماران مبتلا به AUD به کار می رود. در این زمینه، داده های EEG در طی 5 دقیقه در حالت چشم بسته و 5 دقیقه در شرایط باز چشم، ثبت شد. برای این منظور، 30 بیمار مبتلا به AUD و 15 ساله کنترل شده سالم مورد بررسی قرار گرفتند. پس از پیش پردازش داده های EEG، ویژگی های EEG مانند انحطاط بین نیمکره ای و قدرت طیفی برای دلتا، تتا، آلفا، بتا و گاما EEG محاسبه شد که حاوی 19 محل پوست سر بود. انتخاب بیشترین ویژگی های تشخیصی با استفاده از روش انتخابی مبتنی بر رتبه بندی و با تعیین ارزش وزن برای هر ویژگی با توجه به معیار، به عنوان مثال منحنی ویژگی های عملکرد گیرنده صورت پذیرفته است. به عنوان مثال، یک ویژگی با وزن بزرگ در مقایسه با یک ویژگی با وزن کمتر، مرتبط تر با برچسب های هدف در نظر گرفته شده است. بنابراین، مجموعه ای از ویژگی های کم اهمیت کاهش یافته شناسایی شد و بیشتر در طی طبقه بندی بیماران مبتلا به AUD و کنترل های سالم مورد استفاده قرار گرفت. نتایج به دست آمده نشان می دهد که همگرایی بین مناطق مغزی دارای تفاوت قابل توجهی بین گروه های مطالعه می باشد و کارایی طبقه بندی بالا (دقت 80.8، حساسیت = 82.5 و مشخصه 80، اندازه گیری F= 0.78) را نشان می دهد. علاوه بر این، قدرت محاسبه شده در نوارهای EEG مختلف، مقدار قابل توجهی بوده و به طور کلی، راندمان طبقه بندی (دقت = 86.6، حساسیت = 95، مشخصه = 82.5 و اندازه گیری F= 0.88) به دست آمد. علاوه بر این، ادغام این ویژگی EEG منجر به نتایج حتی بیشتر (دقت = 89.3٪، حساسیت = 88.5٪، ویژگی 91٪ و اندازه گیری F = 0.90). بر اساس نتایج، نتیجه گیری می شود که داده های EEG (ادغام تتا، بتا و قدرت گاما و هماهنگی بین نیمکره ای) می تواند به عنوان نشانگرهای عینی برای مشاهده بیماران AUD و کنترل های سالم مورد استفاده قرار گیرد.

Screening alcohol use disorder (AUD) patients has been challenging due to the subjectivity involved in the process. Hence, robust and objective methods are needed to automate the screening of AUD patients. In this paper, a machine learning method is proposed that utilized restingstate electroencephalography (EEG)-derived features as input data to classify the AUD patients and healthy controls and to perform automatic screening of AUD patients. In this context, the EEG data were recorded during 5 min of eyes closed and 5 min of eyes open conditions. For this purpose, 30 AUD patients and 15 aged-matched healthy controls were recruited. After preprocessing the EEG data, EEG features such as inter-hemispheric coherences and spectral power for EEG delta, theta, alpha, beta and gamma bands were computed involving 19 scalp locations. The selection of most discriminant features was performed with a rank-based feature selection method assigning a weight value to each feature according to a criterion, i.e., receiver operating characteristics curve. For example, a feature with large weight was considered more relevant to the target labels than a feature with less weight. Therefore, a reduced set of most discriminant features was identified and further be utilized during classification of AUD patients and healthy controls. As results, the inter-hemispheric coherences between the brain regions were found significantly different between the study groups and provided high classification efficiency (Accuracy = 80.8, sensitivity = 82.5, and specificity = 80, F-Measure = 0.78). In addition, the power computed in different EEG bands were found significant and provided an overall classification efficiency as (Accuracy = 86.6, sensitivity = 95, specificity = 82.5, and F-Measure = 0.88). Further, the integration of these EEG feature resulted into even higher results (Accuracy = 89.3 %, sensitivity = 88.5 %, specificity = 91 %, and F-Measure = 0.90). Based on the results, it is concluded that the EEG data (integration of the theta, beta, and gamma power and inter-hemispheric coherence) could be utilized as objective markers to screen the AUD patients and healthy controls