Un modèle unique EEG-Hyfusion entièrement automatisé empilé pour la classification de la maladie d’Alzheimer et de la démence fronto-temporale

Résumé

Cet article présente un pipeline automatisé d’extraction de caractéristiques qui intègre des modèles d’amélioration du décalage de Nyquist et d’ensemble en apprentissage automatique pour distinguer la maladie d’Alzheimer, la démence frontotemporale et les classes Healthy sans intervention humaine.

Résumé

La maladie d’Alzheimer (MA) et la démence fronto-temporale (DFT) sont des troubles neurodégénératifs courants qui altèrent la mémoire, les fonctions cognitives et le traitement exécutif. L’objectif de cette étude est de développer un pipeline d’apprentissage automatique entièrement automatisé pour prédire la maladie d’Alzheimer à un stade précoce sans nécessiter d’intervention clinique. Cette méthodologie propose une analyse quantitative des subtils variations d’activité neurophysique. L’objectif est de développer un système fiable et entièrement automatisé qui utilise les données EEG pour classer les patients en groupes AD, DFT et Témoins sains, éliminant ainsi le besoin d’intervention humaine ou d’évaluations cliniques. Une innovation majeure du système réside dans son approche de traitement du signal et son pipeline de fonctionnalités automatisées. Plus précisément, la modification stratégique de la fréquence de Nyquist est utilisée pour améliorer la résolution du signal EEG, en combinaison avec une couche de fusion hybride qui intègre des caractéristiques EEG multi-domaines et des données démographiques. Par la suite, une sélection de caractéristiques bidirectionnelle basée sur ANOVA affine cet ensemble hybride. Cette amélioration facilite une extraction de caractéristiques plus efficace, contribuant à une meilleure précision de classification. Dans la méthode proposée, les fréquences sont effochées pour enrichir le jeu de données d’entraînement. Ainsi, le modèle standard de forêt aléatoire donne une précision d’entraînement de 99,72 %. Pour garantir la robustesse et la généralisabilité de la méthode, un modèle de fusion hybride est proposé.

Introduction

Les symptômes courants de la maladie d’Alzheimer sont la perte de mémoire, les troubles cognitifs, l’insomnie du sommeil, la confusion, la désorientation, les changements de personnalité, etc. Ainsi, une prédiction précoce peut garantir que les patients ne se dégradent pas au pire, où ils ont besoin d’aide 24h/24 et 7j/7. Il existe différentes méthodes pour diagnostiquer cette maladie, telles que l’IRM¹, le scanner, le PET² et l’EEG³. En particulier, les signaux EEG combinés à la MMSE se sont révélés être une méthode non invasive pour la prédiction de la maladie d’Alzheimer. Les fréquences du signal EEG varient en alpha, bêta, thêta, gamma et delta. Une onde alpha est détectée lorsqu’une personne est dans un état de^{détente 3}. La fréquence des ondes alpha varie de 8 à 12^{Hz 4}. Les ondes bêta sont actives pendant le stade d’alerte du cerveau et varient de 13 à 30^{Hz 4}. Les ondes thêta et delta sont actives respectivement dans les états de sommeil et de sommeil profond. Leurs plages de fréquences sont thêta (4-7 Hz) et delta (< 3,5 Hz) ^[4]. Les méthodes diagnostiques traditionnelles reposent sur l’imagerie et les évaluations cliniques, telles que la MMSE, qui sont souvent subjectives et coûteuses, tandis que les signaux EEG capturent l’activité cérébrale en temps réel et offrent des alternatives efficaces.

Cette recherche propose un pipeline de diagnostic entièrement automatisé qui ne prend en entrée que les signaux EEG, contournant ainsi le besoin de notation clinique. Diverses méthodes peuvent être utilisées pour extraire ces ondes du cerveau. Un filtre passe-bande qui considère la fréquence de Nyquist est une méthode pour extraire les fréquences EEG. La fréquence de Nyquist réduit la fréquence d’échantillonnage à moitié afin d’obtenir une meilleure clarté dans les signaux prétraités. Ainsi, le test EEG combiné au Mini-Examen de l’État Mental (MMSE) est une méthode utilisée par les neurologues pour évaluer les différents stades de la maladie d’Alzheimer (MA). La Fédération européenne des neuroscientifiques⁵ a établi des lignes directrices pour diagnostiquer les différentes classes de cette maladie.

Cet article classe globalement la maladie d’Alzheimer (MA), la démence fronto-temporale (DFT) et les sujets en bonne santé (catégorie témoin). La démence fronto-temporale est une affection du cerveau humain dans laquelle seuls la partie antérieure et le lobe temporal du cerveau sont^{affectés 6,7}. La figure 1 illustre les régions du cerveau généralement touchées dans la démence fronto-temporale (DFT), y compris les lobes frontal et temporal. Dans cette étude, les caractéristiques du domaine temporel et fréquentiel du signal EEG sont combinées avec des caractéristiques démographiques. Pour garantir l’objectivité et l’autonomie du cadre d’apprentissage automatique, le score du Mini-Mental State Examination (MMSE) a été délibérément exclu de l’ensemble des fonctionnalités. Bien que le MMSE soit un indicateur clinique largement utilisé pour l’évaluation cognitive, il est intrinsèquement influencé par l’évaluation du clinicien et introduit un biais dominant dans les tâches de classification. En omettant la MMSE, la méthode proposée vise à développer un modèle diagnostique autonome et basé sur les données, capable de fonctionner indépendamment des entrées cliniques subjectives, soutenant ainsi le développement futur d’outils de dépistage entièrement automatisés basés sur l’IA. Les caractéristiques finales, à l’exclusion du score MMSE, sont identifiées et fournies au modèle EEG-hyfusion proposé. Les détails sont décrits dans la section Protocole.

Aperçu de la littérature

L’électroencéphalographie (EEG) offre un outil non invasif et économique pour le diagnostic précoce des affections neurologiques. L’extraction de caractéristiques EEG et l’analyse des bandes de fréquence sont devenues une modalité cruciale en neurosciences et en recherche clinique, offrant des éclairages sur l’activité cérébrale à travers divers états cognitifs et pathologiques. L’utilisation de l’apprentissage automatique pour analyser les données EEG a gagné en popularité ces dernières années, avec des applications allant de la surveillance de l’état cognitif au diagnostic précoce de troubles neurologiques tels que la maladie d’Alzheimer. Cette étude de la littérature met en lumière les contributions clés et les lacunes dans les recherches existantes liées à l’extraction, à la classification et au développement de modèles des caractéristiques EEG.

Signal EEG pertinence cognitive

Bien que Subha et ^al.8 aient mis l’accent sur la caractéristique temps-fréquence, RMS, qui capture efficacement la nature non stationnaire des signaux EEG, leur travail n’introduit aucune construction de modèles. Par conséquent, cette étude a proposé des modèles ML pour déterminer la précision du diagnostic de la maladie.

Barry et ^al.9ont démontré la relation entre les bandes de fréquences EEG et les états cognitifs, reliant des bandes de fréquences spécifiques (par exemple, les ondes alpha) à la relaxation et à l’attention. Buzsáki¹⁰ a exploré la signification physiologique des oscillations neuronales et leur rôle dans les fonctions cérébrales, soulignant l’utilité de l’analyse spécifique à la fréquence dans les études EEG. Bien que l’analyse des bandes de fréquences soit bien établie, le besoin de pipelines d’extraction de caractéristiques efficaces et évolutifs reste un domaine d’attention, en particulier dans les ensembles de données à haute dimension.

Techniques d’extraction de caractéristiques EEG

Senkaya, Kurnaz et ^al.11 ont utilisé des caractéristiques spectrales, telles que la PSD et l’entropie, pour prédire la maladie d’Alzheimer. Ces pouvoirs spectraux aident à capturer plus précisément le ralentissement de l’activité cérébrale. Bien que^{l’ouvrage 11} aborde efficacement les caractéristiques spectrales, il n’incorporait pas de caractéristiques temporelles comme le RMS. Par conséquent, cette étude propose des caractéristiques du domaine temporel extraites de fréquences telles qu’alpha, bêta, gamma, thêta et delta.

Luck et al. et Kappenman et ^al.12 ont passé en revue les biomarqueurs EEG de l’attention et de la mémoire de travail, en soulignant l’importance des caractéristiques des bandes de fréquence dans la discrimination des états cognitifs. Cassani et ^al.13 ont exploré l’EEG comme outil diagnostique de la maladie d’Alzheimer, en exploitant les caractéristiques de la bande de fréquence pour identifier les signatures neuronales du déclin cognitif. Michel et^{Murray 14} ont discuté de l’utilité de l’analyse EEG multicanal pour comprendre les processus cognitifs et la connectivité neuronale, posant ainsi les bases des applications d’apprentissage automatique. Malgré ces avancées, l’intégration de pipelines automatisés d’extraction de fonctionnalités avec des modèles d’apprentissage automatique évolutifs, tels que Random Forest et XG-Boost, reste peu explorée. La littérature existante met en avant l’analyse combinée des bandes de fréquence avec des techniques d’apprentissage automatique pour des applications cognitives et cliniques.

Apprentissage automatique et modèles de fusion hybride pour la classification de la démence

Les modèles d’apprentissage automatique, en particulier les méthodes basées sur des ensembles comme XGBoost, ont montré des résultats prometteurs pour classer les caractéristiques dérivées de^{l’EEG 15}. Ces modèles abordent la complexité et la variabilité des signaux EEG en apprenant des relations non linéaires entre les caractéristiques d’entrée et les labels de sortie. Bien que l’étude¹⁵ ait proposé un modèle approprié, le score de précision est compromis.

Craik et ^al.16 ont fourni une revue complète de l’apprentissage profond et des modèles traditionnels d’apprentissage automatique pour l’analyse EEG, mettant en avant le succès des cadres de gradient-boosting dans les données structurées. Abiri et ^al.17 ont appliqué XG-Boost aux données EEG pour des applications d’interface cerveau-ordinateur, obtenant des performances de classification robustes grâce à sa capacité à gérer la redondance des fonctionnalités et le bruit. Aghababaei et ^al.18 ont démontré l’utilisation de méthodes d’ensemble, y compris XG-Boost, dans des tâches de reconnaissance émotionnelle basées sur l’EEG, rapportant des améliorations de précision et de généralisation par rapport aux approches traditionnelles. Cependant, des défis tels que des ensembles de données déséquilibrés, la sous-représentation de certaines classes et l’interprétabilité des modèles d’apprentissage automatique persistent, nécessitant des recherches supplémentaires sur les techniques d’optimisation et de régularisation des modèles.

Zheng et ^al.19 ont utilisé un EEG à l’état de repos, yeux fermés (19 canaux) pour calculer des mesures de connectivité fonctionnelle temps-fréquence et entraîné des classificateurs d’apprentissage automatique pour séparer les AD, FTD et contrôles sains. Cependant, ils ont souligné la nécessité de méthodes qui améliorent la représentation du signal et offrent une classification robuste des ensembles.

La classification basée sur l’EEG a été largement appliquée dans les domaines des neurosciences cognitives et cliniques. Bien que les études précédentes fournissent une base solide pour l’analyse EEG basée sur l’apprentissage automatique, plusieurs lacunes subsistent. De nombreuses études s’appuient sur des caractéristiques artisanales (par exemple, RMS, PSD), qui ne regroupent pas toujours toutes les informations pertinentes. L’ingénierie automatisée des fonctionnalités et les méthodes d’apprentissage profond pourraient compléter les approches traditionnelles.

Le déséquilibre dans les ensembles de données EEG, en particulier dans les contextes multi-classes, fausse souvent les résultats de classification. Des stratégies telles que la pondération spécifique à chaque classe et l’augmentation des données pourraient améliorer les performances des classes sous-représentées. Cependant, il reste nécessaire de pipelines efficaces, interprétables et généralisables intégrant l’extraction de caractéristiques et la classification des modèles.

Protocole

La méthode proposée segmente stratégiquement les signaux EEG dans le domaine fréquentiel afin d’améliorer la résolution spectrale. Par la suite, les signaux EEG capturés sont répartis en 10 segments afin d’améliorer la résolution temporelle et la cohérence dans le calcul des caractéristiques. La méthode proposée implémente un classificateur basé sur RF, XGBoost et SVM sur des caractéristiques EEG dérivées, contribuant ainsi au développement de méthodes robustes et évolutives pour l’analyse EEG. Le modèle RF avec certains changements d’hyperparamètres s’est avéré être le plus performant parmi les autres modèles standards. Par conséquent, un modèle hybride, fusionné et empilé de métaappant est proposé qui combine RF et XG-Boost afin d’améliorer encore la précision des prédictions.

L’ensemble de données utilisé dans cette méthode a été collecté conformément aux normes éthiques institutionnelles. Les fournisseurs de jeux de données ont obtenu le consentement des participants avant la collecte des données.

1. Spécification du jeu de données

Pour prouver la robustesse du système, deux ensembles de données ont été utilisés. Le premier ensemble de données est collecté à partir du dépôt de données^{EEG 20}, comprenant 88 participants dans la condition de repos des yeux fermés, où 36 ont été diagnostiqués comme une maladie d’Arme, 23 d’entre eux FTD, et 29 étaient en bonne santé. Les enregistrements EEG ont été réalisés au repos, les yeux fermés, à l’aide d’un système à 19 canaux, après le montage international 10-20. Dans le jeu de données montré à la Figure 2, tous les signaux ont été échantillonnés à 500 Hz et fournis au format BIDS avec un prétraitement préliminaire par les contributeurs du jeu de données.

Le second ensemble de données est collecté à partir d’un dépôt public^{externe 21} comprenant 35 participants en état de repos. Parmi eux, 13 participants ont reçu un diagnostic de maladie d’Alzheimer (MA), 7 sont des patients atteints de troubles cognitifs légers (DCL) et 15 sont des personnes âgées en bonne santé. Seuls les segments de base de l’état de repos du second jeu de données ont été utilisés pour maintenir la cohérence avec le premier ensemble^{de données 20}. Le second ensemble de données²¹ nécessitait un pipeline complet de prétraitement, comme mentionné à la Figure 3.

2. Prétraitement

Les études existantes reposent fortement sur des pipelines complexes de prétraitement, des étapes manuelles de correction des artefacts ou ICA-ASR pour éliminer les mouvements musculaires, qui limitent la reproductibilité dans les flux de travail cliniques routiniers. Pour remédier à ces limitations, le pipeline proposé se concentre sur une approche simplifiée basée uniquement sur l’EEG, qui élimine le besoin de procédures de suppression d’artefacts à forte intensité en calcul et met plutôt l’accent sur un filtrage contrôlé, la segmentation d’époque et le calcul de caractéristiques spécifiques à la fréquence.

1. Tri des fichiers EEG
   Avant le prétraitement, tous les fichiers EEG étaient automatiquement triés pour maintenir une cohérence dans l’ordre par participant et par session. Cela garantissait que l’extraction des caractéristiques, l’époque et l’alignement des étiquettes étaient uniformes sur tous les sujets et évitait les erreurs de désappariement des fichiers. Cette étape est affichée à la Figure 3 sous le nom « Trier fichier EEG ». Tout le prétraitement est effectué à l’aide d’une boîte à outils standard open source pour le traitement EEG.
2. Filtrage passe-bande et reréférencement
   Un filtre passe-bande Butterworth a été appliqué dans la plage de 0,5 à 40 Hz pour conserver les composantes EEG pertinentes tout en atténuant la dérive et le bruit de haute fréquence. Les signaux ont été réorientés vers la moyenne de tous les canaux EEG, minimisant ainsi le biais spatial et améliorant le rapport signal/bruit.
3. Décalage de fréquence de Nyquist
   Pour améliorer la résolution des composants basse fréquence, une amélioration du décalage de Nyquist a été appliquée en réduisant de moitié la fréquence d’échantillonnage de 500 Hz à 250 Hz. En suivant l’étape ci-dessus, la modification de Nyquist la réduit à 125 Hz. Comme les fréquences Delta, Theta, Alpha, Beta et Gamma sont des ondes lentes allant de 0,5 à 40 Hz, cela modifie la limite effective de Nyquist et améliore la clarté des oscillations basses fréquences, pertinentes pour la démence. Cette modification a permis de capturer plus efficacement les ondes cérébrales lentes. L’équation (1) montre clairement le résultat du médicament de Nyquist.
   _{Échantillonnage} F = 500 Hz
   _{N échantillonnage} = F_{échantillonnage/2}
   N_nyquist = N_{échantillonnage/2} (1)
   Il est important de noter que N_nyquist n’est pas la fréquence d’échantillonnage opérationnelle mais simplement la fréquence maximale représentable, et n’affecte donc pas la segmentation d’époque. Ce n’est qu’une limite théorique utilisée pour garantir que le contenu fréquentiel d’intérêt (0,5-40 Hz) soit entièrement préservé.
4. Fréquence d’échantillonnage d’époque jusqu’à 10 segments
   Les enregistrements EEG sont divisés en 10 segments de longueur égale. Cette étape est essentielle pour capter l’activité non stationnaire du signal EEG au fil du temps. Les segments courts et uniformes permettent un calcul stable des caractéristiques spécifiques à chaque bande et enrichissent les échantillons d’entraînement pour la classification par apprentissage automatique. Ainsi, les 250 échantillons par seconde deviennent 250 × 10 = 2500 échantillons. Enfin, 10 époques de longueur égale par sujet sont prises pour des stratégies d’analyse par époque. Cette stratégie d’analyse a généré 880 échantillons pour 88 participants réels.
   
   Le besoin d’une analyse par époque consiste à surveiller minutieusement les changements du signal cérébral, fournissant ainsi au modèle une quantité suffisante de données temporelles pour apprendre et éviter le sur-ajustement. L’importance de cette approche est d’assurer des données d’époque EEG plus fines, facilitant des analyses nécessitant une résolution temporelle plus élevée sans compromettre les valeurs totales des caractéristiques. En générant des époques de 10 secondes, la méthodologie favorise une modélisation améliorée de la dynamique EEG et s’aligne avec les durées d’époque standard dans les protocoles d’analyse EEG.

3. Extraction de caractéristiques

Les signaux EEG prétraités sont transmis aux méthodes d’extraction des caractéristiques. Les signaux EEG sont filtrés en passe-bande dans 5 bandes de fréquences standard : Delta (0,5-4 Hz), Theta (4-8 Hz), Alpha (8-13 Hz), Beta (13-25 Hz) et Gamma (25-40 Hz).

Pour chaque signal filtré, la valeur du carré moyen (RMS) était calculée sur tous les canaux EEG. La formulation mathématique de RMS est donnée dans l’équation (1) :

RMS =     (1)

Ici, x_i est l’amplitude du signal EEG à l’échantillon i-ème temps. N est le nombre total d’échantillons dans le segment du signal.

Le RMS a été choisi comme caractéristique principale en raison de sa capacité à quantifier l’énergie de l’activité oscillatoire dans chaque bande de fréquences. La maladie d’Alzheimer est souvent associée à une augmentation de l’activité delta et thêta ainsi qu’à une diminution de l’activité alpha et bêta. La démence fronto-temporale (DFT) peut présenter des schémas distincts sur ces^{bandes 20,21}. Comme la PSD est mathématiquement redondante par rapport à la RMS, elle n’est pas considérée comme une fonctionnalité. Pour maintenir un ensemble de données compact, les autres caractéristiques, telles que Hjorth et Entropy, sont exclues.

4. Fusion hybride

Les caractéristiques RMS extraites dans le domaine temporel ont été combinées avec les caractéristiques du domaine fréquentiel reçues par filtrage passe-bande en en faisant un espace hybride pour l’entrée du modèle. Le détail de la compilation est montré à la Figure 3. Le jeu de données final normalisé est organisé sous forme tabulaire avec des lignes représentant les participants et des colonnes représentant les caractéristiques de la bande temps-fréquence ainsi que des caractéristiques démographiques telles que l’âge, le sexe et le groupe. Le pipeline montré à la Figure 2 extrait efficacement les caractéristiques EEG pertinentes pour la recherche sur Alzheimer. Les caractéristiques extraites fournissent des informations sur l’activité neuronale dans les bandes de fréquences clés et peuvent être utilisées pour l’apprentissage automatique et l’analyse statistique.

5. Sélection des fonctionnalités

Pour améliorer les performances du modèle et réduire la dimensionnalité des caractéristiques, une approche basée sur l’analyse bidirectionnelle de la variance (ANOVA) a été appliquée. La sélection basée sur l’ANOVA a été appliquée avec le groupe et l’âge comme facteurs indépendants, et les bandes de fréquences RMS comme caractéristiques dépendantes. Cette analyse a évalué les effets de l’interaction groupe, âge et groupe d’âge sur chaque caractéristique. Les caractéristiques avec des valeurs p < 0,05 pour au moins un facteur ont été sélectionnées pour une classification ultérieure. Les résultats détaillés basés sur l’ANOVA sont présentés dans la section résultats. Ces caractéristiques sont les variables les plus informatives pour la classification, ce qui a contribué à améliorer la précision et la généralisation du modèle prédictif final. À la suite du test ANOVA, seules les caractéristiques les plus informatives ont été sélectionnées pour la création du modèle. Et les attributs non numériques supplémentaires, Genre et participant_id, ont été exclus de l’analyse. Le groupe de variables cibles était codé par étiquette pour la classification.

6. Description du modèle

Pour classer la maladie en 3 classes, à savoir Alzheimer, Contrôle et Démence frontale, trois modèles d’apprentissage automatique supervisés, tels que XG-Boost, Random Forest, Support Vector Machine SVM et un modèle empilé, ont été construits. Tous les modèles mentionnés utilisaient 70 % du jeu de données d’entraînement et 30 % du jeu de données de test. Chaque modèle a été sélectionné pour ses performances éprouvées en analyse de données de santé et sa capacité à gérer des espaces de caractéristiques non linéaires et à haute dimension. L’évaluation du modèle a été réalisée sur le jeu de données de validation afin d’évaluer la généralisabilité du modèle.

La performance du modèle a été évaluée à l’aide d’une matrice de confusion, comprenant les vrais positifs (TP), les faux positifs (FP), les vrais négatifs (TN) et les faux négatifs (FN). Les indicateurs de performance comprenaient la précision et un rapport de classification détaillant la précision, le rappel et les scores F1 pour chaque catégorie. L’équation suivante illustre les indicateurs de performance.

    (2)

    (3)

    (4)

(5)

1. Classificateur XG-Boost

Cette méthode a implémenté un modèle de classification multi-classes utilisant l’algorithme XGBoost pour prédire les états cognitifs dérivés de l’EEG à partir de caractéristiques extraites, comme montré dans la sortie 1 de la Figure 3. La sortie 1 contient les caractéristiques RMS et le score MMSE. Lors de la construction du modèle XGBoost, le score MMSE est inclus pour tester le comportement non linéaire des caractéristiques RMS. Il sert de référence et de référence pour le développement du système. Le MMSE a été exclu à des étapes ultérieures afin de répondre à l’objectif d’un système entièrement automatisé et indépendant du clinicien.

XG-Boost est un cadre de gradient boosting, optimisé pour l’efficacité et la précision, ce qui le rend parfaitement adapté à la gestion de données structurées dans les tâches de classification. Les quelques hyperparamètres sont réglés sur le jeu de données EEG à l’aide de techniques telles que la validation croisée et la recherche en grille. Les valeurs clés des paramètres définies ci-dessous sont choisies pour contrôler le surajustement via régularisation et pour capturer la complexité des caractéristiques EEG sans que cela devienne trop complexe.

Les paramètres clés du modèle sont : (1) Profondeur maximale de l’arbre = 8, qui limite la profondeur des arbres de décision afin de réduire le surajustement et d’améliorer la généralisation. Parce qu’un arbre peu profond manquerait des informations inutiles, car un arbre plus profond pourrait trop s’adapter. (2) La régularisation L2 (λ = 10) ajoute une pénalité pour les coefficients élevés afin de minimiser le surajustement en contrôlant la complexité du modèle. (2) La régularisation L1 (α = 5) est introduite pour ajouter une parcimonie supplémentaire au modèle afin d’améliorer l’interprétabilité et la robustesse. Le nombre d’estimateurs (n_estimators=8) limitait le nombre d’itérations de boost pour maintenir l’efficacité computationnelle tout en équilibrant la performance.

2. Classificateur de forêt aléatoire

Random Forest est un classificateur d’ensemble qui construit plusieurs arbres de décision sur des sous-ensembles aléatoires de données et de caractéristiques, agrégeant leurs résultats pour la prédiction finale. Il offre une robustesse au bruit, gère bien les données non linéaires et réduit le surajustement en moyenne des prédictions d’arbres diverses. Dans ce travail, le modèle de la forêt aléatoire a été configuré avec des paramètres clés en utilisant la méthode d’essais et erreurs. Ces paramètres sont expliqués ci-dessous :
1) n_estimators=100
Il est choisi pour limiter le nombre d’arbres de décision dans la forêt. Plus il y a d’arbres, meilleure est la généralisation et plus les prédictions sont stables.
2) max_depth=10
Il indique la profondeur maximale de chaque arbre. Si l’arbre a une faible profondeur, il y a un risque de sous-adaptation. Alors qu’une grande profondeur peut capturer les détails et mémoriser les données d’entraînement, elle peut sur-ajuster. Par conséquent, choisir 10 est un point idéal, surtout pour les signaux bruyants ou complexes comme l’EEG.
3) random_state=40
Il corrige la graine de génération de nombres aléatoires utilisée pour l’échantillonnage Bootstrap et la construction d’arbres. Cela garantit la reproductibilité
4) n_jobs=-1
En fixant la valeur de n_jobs à -1, le modèle utilise efficacement tous les cœurs CPU.

7. Machine à vecteurs de support (SVM)

Support Vector Machine est un classificateur basé sur la marge connu pour ses performances linéaires en classification binaire et^{multi-classe 22}. Ce modèle utilisait un noyau de fonction de base radiale en raison de sa capacité à capturer des signaux EEG non linéaires. Cependant, le modèle a montré des performances sous-optimales, probablement en raison de l’absence de mise à l’échelle des fonctionnalités et de la taille limitée du jeu de données. Bien que la SVM soit théoriquement puissante, sa sensibilité à l’ajustement des hyperparamètres et à la distribution des données peut expliquer la précision plus faible observée par rapport aux modèles basés sur les arbres.

8. Modèle proposé de fusion HY-

Bien que le modèle Random Forest ait atteint une grande précision, pour garantir la généralisation et l’évolutivité, un modèle empilé a été construit avec Random Forest et XG-Boost. La sortie est alimentée en entrée dans un modèle de régression logistique. Et la régression logistique agit comme un méta-apprenant. Le diagramme architectural du modèle est présenté à la Figure 4.

Avec le^1er ensemble^{d’entrées 20}, le modèle empilé prenait également l’entrée du second ensemble de^{données 23}. Le jeu de données de Mendely²¹ est prétraité sous une forme compréhensible par le modèle en extrayant le RMS et en époching jusqu’à 10 s. Les résultats obtenus par chaque modèle sont présentés dans la section résultats.

Résultats

Pour justifier la force de la méthode d’époque, la performance du modèle RF est comparée sans effondrer le jeu de données. Dans la condition non épochée, les caractéristiques étaient extraites de l’enregistrement continu complet et transmises au modèle RF. Le signal non époché a donné une précision de 53 %. Cela démontre que l’époque offre une méthode informative plus stable pour la création de modèles. Par conséquent, les caractéristiques basées sur ANOVA avec p < 0,05 sont considérées ...

Discussion

Dans cette étude proposée, la motivation pour utiliser l’architecture empilée Hy-Fusion est de combiner les forces complémentaires des apprenants basés sur les arbres, tels que la RF, et de réduire la variance de prédiction grâce à un méta-apprenant de régression logistique. La stratégie d’empilement est couramment adoptée lorsque les apprenants de base présentent des biais inductifs et des schémas d’erreur différents. Le méta-apprenant apprend à corriger les erreurs systématiques des cl...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Outils de filtrage en bande passante	MNE-Python	Filtres intégrés	Utilisés pour le prétraitement
Station de travail	—	Windows/Linux	Calcul d'analyse
Système d'acquisition EEG	Fourni par les créateurs du jeu de données	—	Non utilisé par les auteurs (jeu de données fourni)
Fonctions d'epoching	MNE-Python	Fonctions intégrées	Utilisé pour la segmentation
GitHub ou Google Drive	—	—	Stockage pour le code/les données
Google Colab	Google	En ligne	Environnement de calcul en nuage
MATLAB (utilisé pour les vérifications de signal)	MathWorks	R202x	Facultatif
Jeu de données EEG Mendeley	Mendeley Data		Jeu de données de validation externe
MNE-Python	https://mne.tools	v1.x	Prétraitement/analyse EEG
NumPy	Développeurs de NumPy	Dernière version	Calcul matriciel
Jeu de données EEG OpenNeuro	OpenNeuro	ds004504 (v1.0.8)	Jeu de données principal pour EEG AD/FTD/HC
Python	Fondation Python	v3.10+	Environnement de programmation
scikit-learn	Développeurs de sklearn	v1.x	Modèles d'apprentissage automatique
SciPy	Développeurs de SciPy	Dernière version	Traitement du signal