Ein einzigartiges vollautomatisches gestapeltes Modell der EEG-Hyfusion zur Klassifikation der Alzheimer-Krankheit und fronto-temporaler Demenz

Zusammenfassung

Dieser Artikel stellt eine automatisierte Feature-Extraction-Pipeline vor, die Nyquist-Shift-Enhancement und Machine-Learning-Ensemble-Modelle integriert, um zwischen Alzheimer-Krankheit, frontotemporaler Demenz und Healthy-Klassen ohne menschliche Intervention zu unterscheiden.

Zusammenfassung

Alzheimer-Krankheit (AD) und fronto-temporale Demenz (FTD) sind häufige neurodegenerative Erkrankungen, die das Gedächtnis, die kognitive Funktion und die exekutive Verarbeitung beeinträchtigen. Ziel dieser Studie ist es, eine vollautomatisierte maschinelle Lernpipeline zu entwickeln, um die Alzheimer-Krankheit in einem frühen Stadium vorherzusagen, ohne dass eine klinische Intervention erforderlich ist. Diese Methodik schlägt eine quantitative Analyse subtiler Neuroaktivitätsverschiebungen vor. Das Ziel ist es, ein zuverlässiges, vollautomatisiertes System zu entwickeln, das EEG-Daten nutzt, um Patienten in AD-, FTD- und Healthy Control-Gruppen einzuordnen und so menschliche Interventionen oder klinische Bewertungen zu eliminieren. Eine bedeutende Innovation des Systems liegt in seinem Signalverarbeitungsansatz und der automatisierten Feature-Pipeline. Konkret wird die strategische Modifikation der Nyquist-Frequenz genutzt, um die EEG-Signalauflösung zu verbessern, in Kombination mit einer hybriden Fusionsschicht, die multidomänenübergreifende EEG-Merkmale und demografische Daten integriert. Anschließend verfeinert eine zweiseitige ANOVA-basierte Funktionsauswahl dieses Hybrid-Set. Diese Verbesserung ermöglicht eine effektivere Merkmalsextraktion und trägt zu einer höheren Klassifikationsgenauigkeit bei. Bei der vorgeschlagenen Methode werden die Frequenzen aufgewertet, um den Trainingsdatensatz zu bereichern. Und dadurch liefert das Standardmodell des Zufallswaldes eine Trainingsgenauigkeit von 99,72 %. Um die Robustheit und Generalisierbarkeit der Methode zu gewährleisten, wird ein hybrides Fusionsmodell vorgeschlagen.

Einleitung

Die häufigsten Symptome der Alzheimer-Krankheit sind Gedächtnisverlust, kognitive Beeinträchtigung, Schlafinsomnie, Verwirrung, Desorientierung, Persönlichkeitsveränderungen usw. Daher kann eine frühzeitige Prognose sicherstellen, dass Patienten nicht auf das schlimmste Niveau abfallen, bei dem sie rund um die Uhr Hilfe benötigen. Es gibt verschiedene Methoden zur Diagnose dieser Krankheit, wie MRT¹, CT, PET² und EEG³. Insbesondere haben sich EEG-Signale in Kombination mit MMSE als nicht-invasive Methode zur Vorhersage der Alzheimer-Krankheit erwiesen. Die EEG-Signalfrequenzen variieren in Alpha, Beta, Theta, Gamma und Delta. Eine Alphawelle wird erkannt, wenn sich eine Person in einem entspannten Zustand^befindet. Die Frequenz der Alphawellen reicht von 8 bis 12 Hz⁴. Betawellen sind während der Alarmstufe des Gehirns aktiv und reichen von 13 bis 30 Hz⁴. Die Theta- und Delta-Wellen sind jeweils im Schlaf- und Tiefschlafzustand aktiv. Ihre Frequenzbereiche sind Theta (4–7 Hz) und Delta (< 3,5 Hz) ^[4]. Traditionelle diagnostische Methoden basieren auf bildgebenden und klinischen Bewertungen wie MMSE, die oft subjektiv und kostspielig sind, während EEG-Signale die Gehirnaktivität in Echtzeit erfassen und effiziente Alternativen bieten.

Diese Forschung schlägt eine vollautomatisierte Diagnosepipeline vor, die ausschließlich EEG-Signale als Eingabe nimmt und so die Notwendigkeit klinischer Scoring umgeht. Verschiedene Methoden können verwendet werden, um diese Wellen aus dem Gehirn zu extrahieren. Ein Bandpassfilter, der die Nyquist-Frequenz berücksichtigt, ist eine Methode zur Extraktion der EEG-Frequenzen. Die Nyquist-Frequenz reduziert die Abtastfrequenz auf die Hälfte, um eine bessere Klarheit in den vorverarbeiteten Signalen zu erzielen. Daher ist der EEG-Test in Kombination mit der Mini-Mental State Examination (MMSE) eine Methode, die von Neurologen verwendet wird, um verschiedene Stadien der Alzheimer-Krankheit (AD) zu bewerten. Die European Federation of Neurological Scientists⁵ hat Richtlinien zur Diagnose verschiedener Klassen dieser Krankheit aufgestellt.

Dieser Artikel klassifiziert allgemein Alzheimer-Krankheit (AD), fronto-temporale Demenz (FTD) und gesunde Probanden (Kontrollkategorie). Fronto-temporale Demenz ist eine Erkrankung im menschlichen Gehirn, bei der nur der vordere Teil und der Schläfflappen betroffen ^sind. Abbildung 1 zeigt die Hirnregionen, die typischerweise bei der fronto-temporalen Demenz (FTD) betroffen sind, einschließlich der Frontallappen und der Schläfenlappen. In dieser Studie werden Zeitbereichs- und Frequenzdomänenmerkmale des EEG-Signals mit demografischen Merkmalen kombiniert. Um die Objektivität und Autonomie des maschinellen Lernrahmens zu gewährleisten, wurde der Mini-Mental State Examination (MMSE)-Wert bewusst aus dem Funktionsumfang ausgeschlossen. Obwohl MMSE eine weit verbreitete klinische Kennzahl für die kognitive Bewertung ist, wird sie von der Bewertung des Klinikers beeinflusst und führt zu einer dominanten Verzerrung bei Klassifikationsaufgaben. Indem MMSE weggelassen wird, zielt die vorgeschlagene Methode darauf ab, ein selbstständiges, datengetriebenes Diagnosemodell zu entwickeln, das unabhängig von subjektiven klinischen Eingaben funktionieren kann und so die zukünftige Entwicklung vollautomatischer, KI-basierter Screening-Tools unterstützt. Die letzten Merkmale, ohne den MMSE-Wert, werden dem vorgeschlagenen EEG-Hyfusionsmodell zugewiesen und bereitgestellt. Die Details sind im Abschnitt Protokoll beschrieben.

Literaturübersicht

Die Elektroenzephalographie (EEG) bietet ein nicht-invasives, kosteneffizientes Instrument zur frühzeitigen Diagnose neurologischer Erkrankungen. EEG-Merkmalsextraktion und Frequenzbandanalyse haben sich als zentrale Methode in der Neurowissenschaft und klinischen Forschung etabliert und bieten Einblicke in die Gehirnaktivität in verschiedenen kognitiven und pathologischen Zuständen. Der Einsatz von maschinellem Lernen zur Analyse von EEG-Daten hat in den letzten Jahren an Bedeutung gewonnen, mit Anwendungen von der kognitiven Zustandsüberwachung bis hin zur frühen Diagnose neurologischer Erkrankungen wie Alzheimer. Diese Literaturübersicht hebt wichtige Beiträge und Lücken in bestehender Forschung zur EEG-Feature-Extraktion, Klassifikation und Modellentwicklung hervor.

EEG-Signal-kognitive Relevanz

Obwohl Subha et ^al.8 das Zeit-Frequenz-Domänen-Merkmal RMS betonten, das die nicht-stationäre Natur von EEG-Signalen effizient erfasst, führt ihre Arbeit keinen Modellbau ein. Daher schlug diese Studie ML-Modelle vor, um zu bestimmen, wie genau die Krankheit diagnostiziert werden kann.

Barry et ^al.9zeigten die Beziehung zwischen EEG-Frequenzbändern und kognitiven Zuständen und verknüpften spezifische Frequenzbänder (z. B. Alphawellen) mit Entspannung und Aufmerksamkeit. Buzsáki¹⁰ untersuchte die physiologische Bedeutung neuronaler Schwingungen und deren Rolle bei den Gehirnfunktionen und unterstrich den Nutzen frequenzspezifischer Analysen in EEG-Studien. Obwohl die Frequenzbandanalyse gut etabliert ist, bleibt der Bedarf an effizienten und skalierbaren Feature-Extraction-Pipelines insbesondere bei hochdimensionalen Datensätzen ein Schwerpunkt.

EEG-Merkmalsextraktionstechniken

Senkaya, Kurnaz et ^al.11 haben spektrale Merkmale wie PSD und Entropie genutzt, um die Alzheimer-Krankheit vorherzusagen. Diese spektralen Fähigkeiten helfen, die Verlangsamung der Gehirnaktivität genauer zu erfassen. Obwohl¹¹ die Werke spektrale Merkmale effektiv behandelten, wurden Zeitdomänenmerkmale wie RMS nicht integriert. Daher schlägt diese Studie Zeitdomänenmerkmale vor, die aus Frequenzen wie Alpha, Beta, Gamma, Theta und Delta extrahiert werden.

Luck et al. und Kappenman et ^al.12 untersuchten EEG-Biomarker von Aufmerksamkeit und Arbeitsgedächtnis und betonten die Bedeutung von Frequenzbandmerkmalen bei der Diskriminierung kognitiver Zustände. Cassani et ^al.13 untersuchten EEG als diagnostisches Werkzeug für Alzheimer, indem sie Frequenzbandmerkmale nutzten, um neuronale Signaturen des kognitiven Abbaus zu identifizieren. Michel und Murray¹⁴ diskutierten den Nutzen der Mehrkanal-EEG-Analyse zum Verständnis kognitiver Prozesse und neuronaler Konnektivität und legten damit die Grundlage für Anwendungen des maschinellen Lernens. Trotz dieser Fortschritte bleibt die Integration automatisierter Feature-Extraction-Pipelines mit skalierbaren Machine-Learning-Modellen wie Random Forest und XG-Boost wenig erforscht. Die vorhandene Literatur hebt die Kombination aus Frequenzbandanalyse mit maschinellen Lerntechniken für kognitive und klinische Anwendungen hervor.

Maschinelles Lernen und hybride Fusionsmodelle für die Demenzklassifikation

Maschinelle Lernmodelle, insbesondere ensemblebasierte Methoden wie XGBoost, zeigen vielversprechende Ergebnisse bei der Klassifikation EEG-abgeleiteter Merkmale¹⁵. Diese Modelle behandeln die Komplexität und Variabilität von EEG-Signalen, indem sie nichtlineare Beziehungen zwischen Eingabemerkmalen und Ausgabelabels erlernen. Obwohl Studie¹⁵ ein geeignetes Modell vorgeschlagen hat, ist der Genauigkeitswert beeinträchtigt.

Craik et ^al.16 lieferten eine umfassende Übersicht über Deep Learning und traditionelle Machine-Learning-Modelle für EEG-Analysen und hoben den Erfolg von gradientensteigernden Frameworks in strukturierten Daten hervor. Abiri et ^al.17 wandten XG-Boost auf EEG-Daten für Gehirn-Computer-Schnittstellen an und erzielten aufgrund seiner Fähigkeit, Feature-Redundanz und Rauschen zu verarbeiten, eine robuste Klassifikationsleistung. Aghababaei et ^al.18 zeigten den Einsatz von Ensemble-Methoden, einschließlich XG-Boost, bei EEG-basierten Emotionserkennungsaufgaben und berichteten von Verbesserungen in Genauigkeit und Verallgemeinerung gegenüber traditionellen Ansätzen. Dennoch bestehen Herausforderungen wie unausgeglichene Datensätze, Unterrepräsentation bestimmter Klassen und die Interpretierbarkeit von Machine-Learning-Modellen, was weitere Forschung zu Modelloptimierungs- und Regularisierungstechniken erforderlich macht.

Zheng et ^al.19 verwendeten Ruhezustands-, Augengeschlossen-EEG (19 Kanäle), um Zeit-Frequenz-funktionale Konnektivitätsmessungen zu berechnen, und trainierte maschinelle Lernklassifikatoren, um AD-, FTD- und gesunde Kontrollen zu trennen. Sie unterstrichen jedoch die Notwendigkeit von Methoden, die die Signalrepräsentation verbessern und eine robuste Ensemble-Klassifikation ermöglichen.

EEG-basierte Klassifikation wurde in der kognitiven Neurowissenschaft und klinischen Bereichen umfassend angewendet. Obwohl frühere Studien eine solide Grundlage für maschinelle Lern-basierte EEG-Analysen bilden, bleiben mehrere Lücken bestehen. Viele Studien stützen sich auf handgefertigte Merkmale (z. B. RMS, PSD), die möglicherweise nicht alle relevanten Informationen erfassen. Automatisierte Feature Engineering und Deep-Learning-Methoden könnten traditionelle Ansätze ergänzen.

Ungleichgewichte in EEG-Datensätzen, insbesondere in mehrklassigen Umgebungen, verzerren oft die Klassifikationsergebnisse. Strategien wie klassenspezifische Gewichtung und Datenaugmentation könnten die Leistung unterrepräsentierter Klassen verbessern. Es besteht jedoch weiterhin Bedarf an effizienten, interpretierbaren und generalisierbaren Pipelines, die Merkmalsextraktion und Modellklassifikation integrieren.

Protokoll

Die vorgeschlagene Methode segmentiert EEG-Signale strategisch in den Frequenzbereich, um die spektrale Auflösung zu verbessern. Anschließend werden die erfassten EEG-Signale in 10 Segmente aufgeteilt, um die zeitliche Auflösung und Konsistenz in der Merkmalsberechnung zu verbessern. Die vorgeschlagene Methode implementiert einen RF-, XGBoost- und SVM-basierten Klassifikator auf abgeleiteten EEG-Merkmalen und trägt so zur Entwicklung robuster, skalierbarer Methoden zur EEG-Analyse bei. Das RF-Modell mit bestimmten Hyperparameteränderungen hat sich als das leistungsstärkste unter den Standardmodellen erwiesen. Daher wird ein hybrides, fusioniertes, gestapeltes Metalearner-Modell vorgeschlagen, das RF und XG-Boost kombiniert, um die Vorhersagegenauigkeit weiter zu verbessern.

Der bei dieser Methode verwendete Datensatz wurde gemäß institutionellen ethischen Standards erhoben. Die Datensatzanbieter haben vor der Datenerhebung die Zustimmung der Teilnehmer eingeholt.

1. Datensatzspezifikation

Um die Robustheit des Systems zu beweisen, wurden zwei Datensätze verwendet. Der erste Datensatz stammt aus dem EEG-Datenarchiv²⁰ und umfasst 88 Teilnehmer im Ruhezustand mit geschlossenen Augen, wobei 36 als AD diagnostiziert wurden, 23 davon FTD und 29 gesund. EEG-Aufnahmen wurden im Ruhezustand mit geschlossenen Augen und einem 19-Kanal-System nach der internationalen 10-20-Montage aufgenommen. Im in Abbildung 2 gezeigten Datensatz wurden alle Signale mit 500 Hz abgetastet und im BIDS-Format mit vorläufiger Vorverarbeitung durch die Datensatz-Beitragenden bereitgestellt.

Der zweite Datensatz wird aus einem externen öffentlichen Repository²¹ mit 35 Teilnehmern im Ruhezustand gesammelt. Von den 13 Teilnehmern wurde Alzheimer (AD) diagnostiziert, 7 Patienten mit leichter kognitiver Beeinträchtigung (MCI) und 15 sind gesunde ältere Menschen. Nur die Ruhezustands-Baseline-Segmente des zweiten Datensatzes wurden verwendet, um die Konsistenz mit dem ersten Datensatz²⁰ zu gewährleisten. Der zweite Datensatz²¹ erforderte eine vollständige Vorverarbeitungspipeline, wie in Abbildung 3 erwähnt.

2. Vorbearbeitung

Bestehende Studien stützen sich stark auf komplexe Vorverarbeitungspipelines, manuelle Artefaktkorrekturschritte oder ICA-ASR, um Muskelbewegungen zu entfernen, die die Reproduzierbarkeit in routinemäßigen klinischen Arbeitsabläufen einschränken. Um diese Einschränkungen zu beheben, konzentriert sich die vorgeschlagene Pipeline auf einen stromlinienförmigen, ausschließlich EEG-Ansatz, der die Notwendigkeit rechenintensiver Artefaktentfernungsverfahren eliminiert und stattdessen kontrollierte Filterung, Epochensegmentierung und frequenzspezifische Merkmalsberechnung betont.

1. EEG-Dateisortierung
   Vor der Vorverarbeitung wurden alle EEG-Dateien automatisch sortiert, um eine konsistente Reihenfolge nach Teilnehmer und Sitzungen zu gewährleisten. Dies stellte sicher, dass Feature-Extraktion, Epoching und Label-Ausrichtung bei allen Probanden einheitlich waren und Dateifehler verhinderten. Dieser Schritt ist in Abbildung 3 als "EEG-Datei sortieren" dargestellt. Alle Vorverarbeitung erfolgt mit einem standardisierten Open-Source-EEG-Verarbeitungstoolkit.
2. Bandpassfilterung und Neureferenzierung
   Ein Butterworth-Bandpassfilter wurde im Bereich von 0,5–40 Hz angelegt, um relevante EEG-Komponenten zu erhalten und gleichzeitig Drift und hochfrequentes Rauschen zu dämpfen. Die Signale wurden auf den Durchschnitt aller EEG-Kanäle umbezogen, wodurch die räumliche Vorspannung minimiert und das Signal-Rausch-Verhältnis verbessert wurde.
3. Nyquist-Frequenzverschiebung
   Um die Auflösung von Niederfrequenzkomponenten zu verbessern, wurde eine Nyquist-Verschiebungsverstärkung angewendet, indem die Abtastfrequenz von 500 Hz auf 250 Hz halbiert wurde. Nach dem obigen Schritt reduziert die Nyquist-Modifikation sie auf 125 Hz. Da die Delta-, Theta-, Alpha-, Beta- und Gamma-Frequenzen langsame Wellen von 0,5 bis 40 Hz sind, verschiebt sich dadurch die effektive Nyquist-Grenze und verbessert die Klarheit von niederfrequenten Schwingungen, die für Demenz relevant sind. Diese Modifikation half, langsame Gehirnwellen besser einzufangen. Gleichung (1) zeigt das Ergebnis der Nyquist-Medikation eindeutig.
   _F-Abtastung = 500 Hz
   N_Abtastung=_{F-Abtastung/2}
   N_Nyquist= N_{Stichproben/2} (1)
   Es ist wichtig zu beachten, dass_N-Nyquist nicht die Betriebsabtastrate ist, sondern lediglich die maximal darstellbare Frequenz , und daher die Epochensegmentierung nicht beeinflusst. Es ist nur eine theoretische Grenze, die dazu dient, sicherzustellen, dass der relevante Frequenzgehalt (0,5–40 Hz) vollständig erhalten bleibt.
4. Epochen-Sampling-Frequenz auf 10 Segmente
   Die EEG-Aufnahmen sind in 10 gleich lange Segmente unterteilt. Dieser Schritt ist unerlässlich, um die nichtstationäre Aktivität des EEG-Signals über die Zeit zu erfassen. Die kurzen, einheitlichen Segmente ermöglichen eine stabile Berechnung bandspezifischer Merkmale und bereichern Trainingsbeispiele für die Klassifikation des maschinellen Lernens. Daher werden aus 250 Proben pro Sekunde 250 × 10 = 2500 Proben. Abschließend werden pro Fach 10 gleich lange Epochen für epochenweise Analysestrategien gewählt. Diese Analysestrategie erzeugte 880 Stichproben für 88 tatsächliche Teilnehmer.
   
   Die Notwendigkeit einer epochenweisen Analyse besteht darin, Veränderungen der Gehirnsignale minutiös zu überwachen, wodurch dem Modell eine ausreichende Menge zeitlicher Daten zur Verfügung gestellt wird, um zu lernen und Überanpassungen zu verhindern. Die Bedeutung dieses Ansatzes besteht darin, feinkörnigere EEG-Epochendaten zu gewährleisten und Analysen zu ermöglichen, die eine höhere zeitliche Auflösung erfordern, ohne die Gesamtwerte der Merkmale zu beeinträchtigen. Durch die Erzeugung von 10-Sekunden-Epochen unterstützt die Methodik eine verbesserte Modellierung der EEG-Dynamik und entspricht den Standard-Epochendauern in EEG-Analyseprotokollen.

3. Merkmalsextraktion

Die vorverarbeiteten EEG-Signale werden an Merkmalsextraktionsmethoden weitergeleitet. EEG-Signale werden bandpassgefiltert in 5 Standardfrequenzbänder: Delta (0,5–4 Hz), Theta (4–8 Hz), Alpha (8–13 Hz), Beta (13–25 Hz) und Gamma (25–40 Hz).

Für jedes gefilterte Signal wurde der Root Mean Square (RMS)-Wert über alle EEG-Kanäle berechnet. Die mathematische Formulierung des RMS ist in Gleichung (1) gegeben:

RMS =     (1)

Hier ist x_i die EEG-Signalamplitude an der i-ten Zeitprobe. N ist die Gesamtzahl der Samples im Signalsegment.

RMS wurde als Hauptmerkmal ausgewählt, da es die Energie der oszillatorischen Aktivität in jedem Frequenzband quantifizieren kann. Die Alzheimer-Krankheit ist oft mit erhöhter Delta- und Theta-Aktivität sowie mit reduzierter Alpha- und Beta-Aktivität verbunden. Fronto-temporale Demenz (FTD) kann über diese Bänder hinweg deutliche Muster zeigen^(20,21). Da PSD mathematisch redundant zu RMS ist, gilt es nicht als Feature. Um einen kompakten Datensatz aufrechtzuerhalten, werden die übrigen Merkmale wie Hjorth und Entropie ausgeschlossen.

4. Hybridfusion

Extrahierte Zeitdomänen-RMS-Funktionen wurden mit Frequenzdomänenmerkmalen kombiniert, die aus der Bandpassfilterung erhalten wurden, indem sie einen hybriden Raum für die Modelleingabe bildeten. Die Details der Kompilierung sind in Abbildung 3 dargestellt. Der endgültige normalisierte Datensatz ist in einem tabellarischen Format organisiert, mit Zeilen, die Teilnehmer repräsentieren, und Spalten, die Zeit-Frequenzband-Merkmale sowie demografische Merkmale wie Alter, Geschlecht und Gruppe darstellen. Die in Abbildung 2 gezeigte Pipeline extrahiert effizient EEG-Merkmale, die für die Alzheimer-Forschung relevant sind. Die extrahierten Merkmale liefern Einblicke in neuronale Aktivitäten innerhalb wichtiger Frequenzbänder und können für maschinelles Lernen und statistische Analysen genutzt werden.

5. Funktionsauswahl

Um die Leistung des Modells zu verbessern und die Merkmalsdimensionalität zu reduzieren, wurde ein auf Varianz basierender 2-Wege-Ansatz (ANOVA) angewandt. Die ANOVA-basierte Auswahl wurde mit Gruppe und Alter als unabhängige Faktoren und RMS-Frequenzbändern als abhängige Merkmale angewendet. Diese Analyse bewertete die Auswirkungen von Gruppen-, Alters- und Altersgruppen-Interaktionen auf jedes Merkmal. Merkmale mit p-Werten < 0,05 für mindestens einen Faktor wurden für eine weitere Klassifizierung ausgewählt. Die detaillierten ANOVA-basierten Ergebnisse sind im Ergebnisabschnitt dargestellt. Diese Merkmale sind die informativsten Variablen für die Klassifikation, was dazu beigetragen hat, die Genauigkeit und Verallgemeinerung des endgültigen prädiktiven Modells zu verbessern. Als Ergebnis des ANOVA-Tests wurden nur die informativsten Funktionen für die Modellerstellung ausgewählt. Und die zusätzlichen nicht-numerischen Attribute, Geschlecht und participant_id, wurden aus der Analyse ausgeschlossen. Die Zielvariable Gruppe wurde für die Klassifikation labelkodiert.

6. Modellbeschreibung

Um die Krankheit in drei Klassen zu klassifizieren, nämlich Alzheimer, Kontroll- und Frontaldemenz, wurden drei überwachte Machine-Learning-Modelle entwickelt, wie XG-Boost, Random Forest, Support Vector Machine SVM und ein Stacked-Modell. Alle genannten Modelle verwendeten 70 % des Trainingsdatensatzes und 30 % des Testdatensatzes. Jedes Modell wurde aufgrund seiner nachgewiesenen Leistung in der Analyse von Gesundheitsdaten und seiner Fähigkeit, nichtlineare und hochdimensionale Merkmalsräume zu verarbeiten, ausgewählt. Die Bewertung des Modells erfolgte am Validierungsdatensatz, um die Generalisierbarkeit des Modells zu bewerten.

Die Modellleistung wurde mittels einer Verwirrungsmatrix bewertet, die aus wahr positiv (TP), falsch positiv (FP), echtnegativ (TN) und falsch negativ (FN) bestand. Leistungskennzahlen umfassten Genauigkeit und einen Klassifikationsbericht, der Genauigkeit, Rückruf und F1-Ergebnisse für jede Klasse detailliert darstellte. Die folgende Gleichung veranschaulicht Leistungskennzahlen.

    (2)

    (3)

    (4)

(5)

1. XG-Boost-Klassifikator

Diese Methode implementierte ein Multiklassifikationsmodell mit dem XGBoost-Algorithmus, um EEG-abgeleitete kognitive Zustände aus extrahierten Merkmalen vorherzusagen, wie in Ausgabe 1 von Abbildung 3 gezeigt. Ausgabe 1 enthält RMS-Funktionen und den MMSE-Score. Beim Bau des XGBoost-Modells wird der MMSE-Score einbezogen, um das nichtlineare Verhalten der RMS-Funktionen zu testen. Sie dient als Maßstab und Basis für die Systementwicklung. MMSE wurde in späteren Phasen ausgeschlossen, um das Ziel eines vollautomatisierten, klinikerunabhängigen Systems zu erreichen.

XG-Boost ist ein Gradient-Boosting-Framework, das auf Effizienz und Genauigkeit optimiert ist und es gut geeignet macht, strukturierte Daten in Klassifikationsaufgaben zu verarbeiten. Die wenigen Hyperparameter werden auf dem EEG-Datensatz mit Techniken wie Crossvalidierung und Rastersuche abgestimmt. Die unten definierten Schlüsselparameterwerte werden gewählt, um Overfitting durch Regularisierung zu steuern und die Komplexität der EEG-Merkmale zu erfassen, ohne zu komplex zu sein.

Die Schlüsselparameter des Modells sind: (1) Maximale Baumtiefe = 8, was die Tiefe der Entscheidungsbäume begrenzt, um Überanpassung zu reduzieren und die Verallgemeinerung zu verbessern. Denn ein flacher Baum würde unnötige Informationen verpassen, da ein tieferer Baum überpassen könnte. (2) L2-Regularisierung (λ = 10) fügt eine Strafe für große Koeffizienten hinzu, um Überanpassungen durch Kontrolle der Modellkomplexität zu minimieren. (2) L1-Regularisierung (α = 5) wird eingeführt, um zusätzliche Sparsamkeit im Modell zu gewährleisten und so die Interpretierbarkeit und Robustheit zu verbessern. Die Anzahl der Schätzer (n_estimators=8) begrenzte die Anzahl der Boosting-Iterationen, um die Recheneffizienz aufrechtzuerhalten und gleichzeitig die Leistung auszubalancieren.

2. Random Forest-Klassifikator

Random Forest ist ein Ensemble-Klassifikator, der mehrere Entscheidungsbäume auf zufälligen Teilmengen von Daten und Features erstellt und deren Ausgaben für die endgültige Vorhersage aggregiert. Es bietet Robustheit gegenüber Rauschen, verarbeitet nichtlineare Daten gut und reduziert Overfitting durch die Mittelung verschiedener Baumvorhersagen. In dieser Arbeit wurde das Random Forest-Modell mit Schlüsselparametern mittels der Trial-and-Error-Methode konfiguriert. Solche Parameter werden im Folgenden erklärt:
1) n_estimators=100
Sie wird gewählt, um die Anzahl der Entscheidungsbäume im Wald zu begrenzen. Je mehr Bäume, desto besser die Verallgemeinerung und desto stabiler sind die Vorhersagen.
2) max_depth=10
Es gibt die maximale Tiefe jedes Baumes an. Wenn der Baum eine geringe Tiefe hat, besteht die Möglichkeit eines Underfittings. Während hohe Tiefe Details erfassen und die Trainingsdaten auswendig lernen kann, kann sie überfitten. Daher ist die Wahl von 10 ein Sweet Spot, besonders für verrauschte oder komplexe Signale wie das EEG.
3) random_state=40
Es behebt den Seed zur Zufallszahlengenerierung, der für Bootstrap-Sampling und Baumbau verwendet wird. Dies gewährleistet die Reproduzierbarkeit
4) n_jobs=-1
Indem der Wert von n_jobs auf -1 gesetzt wird, nutzt das Modell alle CPU-Kerne effizient.

7. Support Vector Machine (SVM)

Die Support Vector Machine ist ein marginbasierter Klassifikator, der für seine lineare Leistung in binärer und multiklassiger Klassifikation²² bekannt ist. Dieses Modell verwendete einen radialen Basisfunktionskern, da er nichtlineare EEG-Signale erfassen kann. Das Modell zeigte jedoch eine suboptimale Leistung, vermutlich aufgrund fehlender Feature-Skalierung und der begrenzten Datensatzgröße. Obwohl SVM theoretisch leistungsfähig ist, könnte seine Empfindlichkeit gegenüber Hyperparameter-Tuning und Datenverteilung die geringere Genauigkeit im Vergleich zu baumbasierten Modellen erklären.

8. Vorgeschlagenes HY-Fusionsmodell

Obwohl das Random Forest-Modell eine hohe Genauigkeit erzielte, wurde zur Gewährleistung von Generalisierbarkeit und Skalierbarkeit ein gestapeltes Modell mit Random Forest und XG-Boost erstellt. Die Ausgabe wird als Eingabe in ein logistisches Regressionsmodell eingespeist. Und logistische Regression wirkt als Metalerner. Das Architekturdiagramm des Modells ist in Abbildung 4 dargestellt.

Neben dem^{ersten Satz von} Eingabe²⁰ nahm das gestapelte Modell auch Eingaben aus dem zweiten Datensatz²³. Der Datensatz aus Mendely²¹ wird vorverarbeitet und in eine modellverständliche Form verarbeitet, indem RMS extrahiert und auf 10 Sekunden epochiert werden. Die von jedem Modell erhaltenen Ergebnisse werden im Ergebnisabschnitt dargestellt.

Ergebnisse

Um die Stärke der Epochenmethode zu rechtfertigen, wird die Leistung des RF-Modells verglichen, ohne den Datensatz zu epochieren. Im nicht-epochierten Zustand wurden Merkmale aus der gesamten kontinuierlichen Aufzeichnung extrahiert und dem RF-Modell übergeben. Das nicht-epochierende Signal erzielte eine Genauigkeit von 53 %. Dies zeigt, dass Epoching eine stabilere informative Methode zur Modellerstellung bietet. Daher gelten ANOVA-basierte Merkmale mit p < 0,05 als signifikant. Zum Bei...

Diskussion

In dieser vorgeschlagenen Studie besteht die Motivation für die Verwendung der Hy-Fusion-gestapelten Architektur darin, die komplementären Stärken baumbasierter Lerner, wie RF, zu kombinieren und die Vorhersagevarianz durch einen logistisch-regressiven Meta-Lerner zu reduzieren. Die Stacking-Strategie wird häufig angewendet, wenn Basislerner unterschiedliche induktive Verzerrungen und Fehlermuster aufweisen. Der Meta-Lernende lernt, systematische Fehler von Basisklassifikatoren zu korrig...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Bandpass-Filter-Tools	MNE-Python	Eingebaute Filter	Zum Vorverarbeiten verwendet
Computer-Workstation	—	Windows/Linux	Analyseberechnung
EEG-Akquisitionssystem	Von Datensatzerstellern bereitgestellt	—	Von Autoren nicht verwendet (Datensatz bereitgestellt)
Epochen-Funktionen	MNE-Python	Eingebaute Funktionen	Zum Segmentieren verwendet
GitHub oder Google Drive	—	—	Speicher für Code/Daten
Google Colab	Google	Online	Cloud-Computing-Umgebung
MATLAB (wird für Signalprüfungen verwendet)	MathWorks	R202x	Optional
Mendeley EEG-Datensatz	Mendeley Data		Externer Validierungsdatensatz
MNE-Python	https://mne.tools	v1.x	EEG-Vorverarbeitung/Analyse
NumPy	NumPy-Entwickler	Neueste	Array-Berechnung
OpenNeuro EEG-Datensatz	OpenNeuro	ds004504 (v1.0.8)	Primärer Datensatz für AD/FTD/HC EEG
Python	Python Foundation	v3.10+	Programmierumgebung
scikit-learn	sklearn-Entwickler	v1.x	Maschinelle Lernmodelle
SciPy	SciPy-Entwickler	Neueste	Signalverarbeitung