Um modelo exclusivo de EEG-Hyfusion totalmente automatizado empilhado para classificação da doença de Alzheimer e demência frontotemporal

Resumo

Este artigo apresenta um pipeline automatizado de extração de características que incorpora modelos de aprimoramento de deslocamento de Nyquist e conjunto de aprendizado de máquina para distinguir entre doença de Alzheimer, demência frontotemporal e classes Healthy sem necessidade de intervenção humana.

Resumo

A doença de Alzheimer (DA) e a demência frontotemporal (DFT) são distúrbios neurodegenerativos comuns que prejudicam a memória, a função cognitiva e o processamento executivo. O objetivo deste estudo é desenvolver uma pipeline totalmente automatizada de aprendizado de máquina para prever a doença de Alzheimer em estágio inicial, sem necessidade de intervenção clínica. Essa metodologia propõe uma análise quantitativa de mudanças sutis na neuroatividade. O objetivo é desenvolver um sistema confiável e totalmente automatizado que utilize dados de EEG para classificar os pacientes nos grupos de DA, DFT e Controle Saudável, eliminando a necessidade de intervenção humana ou avaliações clínicas. Uma grande inovação do sistema está em sua abordagem de processamento de sinais e pipeline automatizado de recursos. Especificamente, a modificação estratégica da frequência de Nyquist é usada para melhorar a resolução do sinal de EEG, em combinação com uma camada híbrida de fusão que integra características de EEG multidomínio e dados demográficos. Subsequentemente, uma seleção de características baseada em ANOVA bidirecional refina esse conjunto híbrido. Esse aprimoramento facilita uma extração de características mais eficaz, contribuindo para maior precisão na classificação. No método proposto, as frequências são epochadas para enriquecer o conjunto de dados de treinamento. E, assim, o modelo padrão de floresta aleatória oferece 99,72% de precisão no treinamento. Para garantir a robustez e generalização do método, é proposto um modelo híbrido de fusão.

Introdução

Os sintomas comuns da doença de Alzheimer são perda de memória, comprometimento cognitivo, insônia do sono, confusão, desorientação, mudanças de personalidade, entre outros. Portanto, a previsão precoce pode garantir que os pacientes não se deteriorem aos piores níveis, onde precisam de ajuda 24 horas por dia, 7 dias por semana. Existem várias formas de diagnosticar essa doença, como ressonância^{magnética 1}, tomografia computadorizada, PET² e^{EEG 3}. Em particular, os sinais de EEG em combinação com MMSE provaram ser um método não invasivo para a previsão da doença de Alzheimer. As frequências do sinal do EEG variam como alfa, beta, theta, gama e delta. Uma onda alfa é detectada quando uma pessoa está em estado^{relaxado 3}. A frequência das ondas alfa varia de 8 a 12^{Hz 4}. Ondas beta são ativas durante o estágio de alerta do cérebro e variam de 13 a 30^{Hz 4}. As ondas theta e delta são ativas nos estados de sono e sono profundo, respectivamente. Suas faixas de frequência são theta (4-7 Hz) e delta (< 3,5 Hz) ^[4]. Métodos diagnósticos tradicionais dependem de imagens e avaliações clínicas, como a MMSE, que frequentemente são subjetivas e caras, enquanto os sinais de EEG capturam a atividade cerebral em tempo real e oferecem alternativas eficientes.

Esta pesquisa propõe um pipeline diagnóstico totalmente automatizado que recebe apenas sinais de EEG como entrada, evitando assim a necessidade de pontuação clínica. Diversos métodos podem ser usados para extrair essas ondas do cérebro. Um filtro passa-banda que considera a frequência de Nyquist é um método para extrair as frequências do EEG. A frequência de Nyquist reduz a frequência de amostragem para metade para obter melhor clareza nos sinais pré-processados. Portanto, o teste EEG em combinação com o Mini-Exame do Estado Mental (MMSE) é um método utilizado por neurologistas para avaliar vários estágios da doença de Alzheimer (DA). A Federação Europeia de Cientistas^{Neurológicos 5} estabeleceu diretrizes para o diagnóstico de várias classes dessa doença.

Este artigo classifica amplamente a doença de Alzheimer (DA), demência frontotemporal (DFT) e sujeitos saudáveis (categoria controle). Demência frontotemporal é uma condição do cérebro humano na qual apenas a parte frontal e o lobo temporal do cérebro são^{afetados 6,7}. A Figura 1 ilustra as regiões do cérebro tipicamente afetadas na Demência Frontotemporal (DFT), incluindo os lobos frontal e temporal. Neste estudo, características no domínio do tempo e na frequência do sinal EEG são combinadas com características demográficas. Para garantir a objetividade e autonomia do framework de aprendizado de máquina, a pontuação do Mini-Mental State Examination (MMSE) foi deliberadamente excluída do conjunto de características. Embora a MMSE seja uma métrica clínica amplamente utilizada para avaliação cognitiva, ela é inerentemente influenciada pela avaliação do clínico e introduz um viés dominante nas tarefas de classificação. Ao omitir o MMSE, o método proposto visa desenvolver um modelo diagnóstico autossuficiente e orientado por dados, capaz de funcionar independentemente de entradas clínicas subjetivas, apoiando assim o desenvolvimento futuro de ferramentas de triagem totalmente automatizadas baseadas em IA. As características finais, excluindo a pontuação MMSE, são rotuladas e fornecidas ao modelo proposto EEG-hifusão. Os detalhes são descritos na seção de Protocolo.

Revisão bibliográfica

A eletroencefalografia (EEG) oferece uma ferramenta não invasiva e econômica para o diagnóstico precoce de condições neurológicas. Extração de características do EEG e Análise de Banda de Frequência emergiram como modalidades cruciais em neurociência e pesquisa clínica, oferecendo insights sobre a atividade cerebral em diversos estados cognitivos e patológicos. O uso do aprendizado de máquina para analisar dados de EEG ganhou força nos últimos anos, com aplicações que vão desde o monitoramento do estado cognitivo até o diagnóstico precoce de distúrbios neurológicos como a doença de Alzheimer. Esta pesquisa bibliográfica destaca contribuições e lacunas importantes em pesquisas existentes relacionadas à extração de características do EEG, classificação e desenvolvimento de modelos.

Relevância cognitiva do sinal de EEG

Embora Subha et ^al.8 tenham enfatizado a característica do domínio tempo-frequência, RMS, que captura eficientemente a natureza não estacionária dos sinais EEG, seu trabalho não introduz nenhuma construção de modelos. Portanto, este estudo propôs modelos de ML para determinar quão precisa o diagnóstico da doença.

Barry et ^al.9demonstraram a relação entre as bandas de frequência do EEG e estados cognitivos, ligando faixas de frequência específicas (por exemplo, ondas alfa) ao relaxamento e à atenção. Buzsáki¹⁰ explorou o significado fisiológico das oscilações neurais e seu papel nas funções cerebrais, ressaltando a utilidade da análise específica por frequência em estudos de EEG. Embora a análise de bandas de frequência seja bem estabelecida, a necessidade de pipelines de extração de características eficientes e escaláveis permanece uma área de foco, especialmente em conjuntos de dados de alta dimensão.

Técnicas de extração de características do EEG

Senkaya, Kurnaz et ^al.11 usaram características espectrais, como PSD e entropia, para prever a doença de Alzheimer. Esses poderes espectrais ajudam a capturar com mais precisão a desaceleração da atividade cerebral. Embora^{o 11} trabalho abordasse eficazmente características espectrais, ele não incorporava características do domínio do tempo como o RMS. Portanto, este estudo propõe características no domínio do tempo extraídas de frequências como alfa, beta, gama, theta e delta.

Luck et al. e Kappenman et ^al.12 revisaram biomarcadores de EEG de atenção e memória de trabalho, enfatizando a importância das características da faixa de frequência na discriminação de estados cognitivos. Cassani et ^al.13 exploraram o EEG como ferramenta diagnóstica para a doença de Alzheimer, aproveitando características da faixa de frequência para identificar assinaturas neurais de declínio cognitivo. Michel e^{Murray 14} discutiram a utilidade da análise de EEG multicanal para entender processos cognitivos e conectividade neural, lançando as bases para aplicações de aprendizado de máquina. Apesar desses avanços, a integração de pipelines automatizados de extração de recursos com modelos escaláveis de aprendizado de máquina, como Random Forest e XG-Boost, ainda é pouco explorada. A literatura existente destaca a análise combinada de bandas de frequência com técnicas de aprendizado de máquina para aplicações cognitivas e clínicas.

Aprendizado de máquina e modelos híbridos de fusão para classificação de demência

Modelos de aprendizado de máquina, especialmente métodos baseados em conjunto como o XGBoost, mostraram potencial na classificação de características derivadas do^{EEG 15}. Esses modelos abordam a complexidade e variabilidade dos sinais EEG aprendendo relações não lineares entre características de entrada e rótulos de saída. Embora o estudo¹⁵ tenha proposto um modelo adequado, a pontuação de precisão está comprometida.

Craik et ^al.16 forneceram uma revisão abrangente do aprendizado profundo e dos modelos tradicionais de aprendizado de máquina para análise de EEG, destacando o sucesso de frameworks de gradiente em dados estruturados. Abiri et ^al.17 aplicaram o XG-Boost a dados de EEG para aplicações de interface cérebro-computador, alcançando desempenho robusto de classificação devido à sua capacidade de lidar com redundância de recursos e ruído. Aghababaei et ^al.18 demonstraram o uso de métodos em conjunto, incluindo o XG-Boost, em tarefas de reconhecimento emocional baseadas em EEG, relatando melhorias na precisão e generalização em relação às abordagens tradicionais. No entanto, desafios como conjuntos de dados desequilibrados, sub-representação de certas classes e a interpretabilidade de modelos de aprendizado de máquina persistem, exigindo pesquisas adicionais em técnicas de otimização e regularização de modelos.

Zheng et ^al.19 usaram EEG de repouso, com olhos fechados (19 canais) para calcular medidas de conectividade funcional tempo-frequência e treinaram classificadores de aprendizado de máquina para separar AD, FTD e controles saudáveis. No entanto, eles ressaltaram a necessidade de métodos que melhorem a representação do sinal e forneçam uma classificação robusta de conjuntos.

A classificação baseada em EEG tem sido amplamente aplicada em neurociência cognitiva e domínios clínicos. Embora estudos anteriores forneçam uma base sólida para a análise de EEG baseada em aprendizado de máquina, várias lacunas permanecem. Muitos estudos dependem de recursos artesanais (por exemplo, RMS, PSD), que podem não capturar todas as informações relevantes. Métodos automatizados de engenharia de recursos e aprendizado profundo poderiam complementar as abordagens tradicionais.

Desequilíbrio em conjuntos de dados de EEG, especialmente em ambientes de múltiplas classes, frequentemente distorce os resultados de classificação. Estratégias como ponderação específica por classe e aumento de dados podem melhorar o desempenho para classes sub-representadas. No entanto, ainda existe a necessidade de pipelines eficientes, interpretáveis e generalizáveis que integrem extração de características e classificação de modelos.

Protocolo

O método proposto segmenta o EEG estrategicamente no domínio da frequência para melhorar a resolução espectral. Subsequentemente, os sinais de EEG capturados são epocables em 10 segmentos para melhorar a resolução temporal e a consistência no cálculo de características. O método proposto implementa um classificador baseado em RF, XGBoost e SVM para características derivadas do EEG, contribuindo assim para o desenvolvimento de métodos robustos e escaláveis para análise de EEG. O modelo RF com certas mudanças de hiperparâmetros provou ser o de melhor desempenho entre outros modelos padrão. Portanto, é proposto um modelo híbrido, fusível e empilhado de metalearner que combina RF e XG-Boost para melhorar ainda mais a precisão das predições.

O conjunto de dados utilizado nesse método foi coletado de acordo com padrões éticos institucionais. Os provedores do conjunto de dados obtiveram consentimento dos participantes antes da aquisição dos dados.

1. Especificação do conjunto de dados

Para provar a robustez do sistema, dois conjuntos de dados foram utilizados. O primeiro conjunto de dados foi coletado do repositório de dados²⁰ do EEG, que compreende 88 participantes na condição de olhos fechados em estado de repouso, onde 36 foram diagnosticados com DA, 23 deles com DFT e 29 estavam saudáveis. As gravações de EEG foram adquiridas em estado de repouso, olhos fechados, usando um sistema de 19 canais após a montagem internacional 10-20. No conjunto de dados mostrado na Figura 2, todos os sinais foram amostrados a 500 Hz e fornecidos no formato BIDS com pré-processamento preliminar pelos colaboradores do conjunto de dados.

O segundo conjunto de dados é coletado de um repositório público^{externo 21} , composto por 35 participantes em estado de repouso. Destes, 13 participantes foram diagnosticados com doença de Alzheimer (DA), 7 participantes são pacientes com comprometimento cognitivo leve (DCL) e 15 são idosos saudáveis. Apenas os segmentos de linha de base do segundo conjunto de dados foram usados para manter a consistência com o primeiro conjunto^{de dados 20}. O segundo conjunto de^{dados 21} exigia um pipeline completo de pré-processamento, conforme mencionado na Figura 3.

2. Pré-processamento

Estudos existentes dependem fortemente de pipelines complexos de pré-processamento, etapas manuais de correção de artefatos ou ICA-ASR para remover movimentos musculares, que limitam a reprodutibilidade em fluxos de trabalho clínicos rotineiros. Para enfrentar essas limitações, o pipeline proposto foca em uma abordagem simplificada apenas com EEG, que elimina a necessidade de procedimentos computacionalmente intensivos para remoção de artefatos e, em vez disso, enfatiza filtragem controlada, segmentação de épocas e computação de características específicas por frequência.

1. Ordenação de arquivos EEG
   Antes do pré-processamento, todos os arquivos EEG eram automaticamente ordenados para manter a consistência da ordem por participante e por sessão. Isso garantiu que extração de características, epocatricidade e alinhamento de rótulos fossem uniformes em todos os sujeitos e evitou erros de incompatibilidade de arquivos. Essa etapa é mostrada na Figura 3 como "Ordenar arquivo EEG." Todo o pré-processamento é feito usando um kit de ferramentas padrão de código aberto para processamento de EEG.
2. Filtragem passa-banda e rereferenciação
   Um filtro passa-banda Butterworth foi aplicado na faixa de 0,5-40 Hz para manter os componentes relevantes do EEG, atenuando a deriva e o ruído de alta frequência. Os sinais foram rereferenciados para a média de todos os canais de EEG, minimizando assim o viés espacial e melhorando a relação sinal-ruído.
3. Mudança de frequência de Nyquist
   Para melhorar a resolução dos componentes de baixa frequência, foi aplicado um aprimoramento de deslocamento de Nyquist reduzindo pela metade a frequência de amostragem de 500Hz para 250Hz. Seguindo o passo acima, a modificação de Nyquist reduz para 125Hz. Como as frequências Delta, Theta, Alpha, Beta e Gamma são ondas lentas que variam de 0,5 a 40 Hz, isso desloca o limite efetivo de Nyquist e aumenta a clareza das oscilações de baixa frequência, relevantes para a demência. Essa modificação ajudou a capturar ondas cerebrais lentas de forma mais adequada. A equação (1) mostra claramente o resultado do medicamento de Nyquist.
   _Amostragem F = 500 Hz
   N_amostragem = F_amostragem/2
   N_nyquist= N_amostragem/2 (1)
   É importante notar que_{N nyquist} não é a taxa de amostragem operacional, mas simplesmente a frequência máxima representável e, portanto, não afeta a segmentação de época. É apenas um limite teórico usado para garantir que o conteúdo de frequência de interesse (0,5-40 Hz) seja totalmente preservado.
4. Frequência de amostragem de época até 10 segmentos
   As gravações de EEG são divididas em 10 segmentos de comprimento igual. Essa etapa é essencial para capturar a atividade não estacionária do sinal EEG ao longo do tempo. Os segmentos curtos e uniformes permitem o cálculo estável de características específicas de banda e enriquecem amostras de treinamento para classificação por aprendizado de máquina. Portanto, as 250 amostras por segundo tornam-se 250 × 10 = 2500 amostras. Por fim, são tomadas 10 épocas de igual duração por sujeito para estratégias de análise por época. Essa estratégia de análise gerou 880 amostras para 88 participantes reais.
   
   A necessidade de análise por época é monitorar minuciosamente as mudanças no sinal cerebral, fornecendo assim ao modelo uma quantidade ampla de dados temporais para aprender e evitar o excesso de ajuste. A importância dessa abordagem é garantir dados de época do EEG mais detalhados, facilitando análises que exigem maior resolução temporal sem comprometer os valores totais das características. Ao gerar épocas de 10 segundos, a metodologia apoia a aprimoramento da modelagem da dinâmica do EEG e está alinhada com durações padrão de época nos protocolos de análise de EEG.

3. Extração de características

Os sinais de EEG pré-processados são encaminhados para métodos de extração de características. Os sinais de EEG são filtrados passa-banda em 5 faixas padrão de frequência: Delta (0,5-4 Hz), Theta (4-8 Hz), Alpha (8-13 Hz), Beta (13-25 Hz) e Gama (25-40 Hz).

Para cada sinal filtrado, o valor do Quadrado Médio Raiz (RMS) era calculado em todos os canais EEG. A formulação matemática do RMS é dada na Equação (1):

RMS =     (1)

Aqui, x_i é a amplitude do sinal EEG na amostra de i-ésima vez. N é o número total de amostras no segmento do sinal.

O RMS foi selecionado como a principal característica devido à sua capacidade de quantificar a energia da atividade oscilatória em cada faixa de frequência. A doença de Alzheimer está frequentemente associada ao aumento da atividade delta e theta e à redução da atividade alfa e beta. A demência frontotemporal (DFT) pode apresentar padrões distintos nessas^{faixas 20,21}. Como o PSD é matematicamente redundante ao RMS, ele não é considerado uma característica. Para manter um conjunto de dados compacto, as características restantes, como Hjorth e Entropy, são excluídas.

4. Fusão híbrida

As características RMS extraídas no domínio do tempo foram combinadas com características no domínio da frequência recebidas do filtro passa-banda, tornando-o um espaço híbrido para entrada de modelos. O detalhe da compilação é mostrado na Figura 3. O conjunto de dados final normalizado é organizado em formato tabular, com linhas representando os participantes e colunas representando características da banda tempo-frequência e características demográficas como idade, gênero e grupo. O pipeline mostrado na Figura 2 extrai eficientemente características do EEG relevantes para a pesquisa sobre Alzheimer. As características extraídas fornecem insights sobre a atividade neural dentro das principais faixas de frequência e podem ser utilizadas para aprendizado de máquina e análise estatística.

5. Seleção de Recursos

Para melhorar o desempenho do modelo e reduzir a dimensionalidade das características, foi aplicada uma abordagem baseada em Análise de Variância (ANOVA) de duas vias. A seleção baseada em ANOVA foi aplicada com Grupo e idade como fatores independentes, e faixas de frequência RMS como características dependentes. Essa análise avaliou os efeitos da interação entre grupo, idade e faixa etária em cada característica. Características com valores p < 0,05 para pelo menos um fator foram selecionadas para classificação adicional. Os resultados detalhados baseados em ANOVA estão mostrados na seção de resultados. Essas características são as variáveis mais informativas para classificação, o que ajudou a melhorar a precisão e a generalização do modelo preditivo final. Como resultado do teste ANOVA, apenas as funcionalidades mais informativas foram selecionadas para criação de modelos. E os atributos adicionais não numéricos, Gênero e participant_id, foram excluídos da análise. O grupo de variáveis alvo era codificado por rótulos para classificação.

6. Descrição do modelo

Para classificar a doença em 3 classes, a saber, Alzheimer, Controle e Demência Frontal, foram construídos três modelos supervisionados de aprendizado de máquina, como XG-Boost, Random Forest, Support Vector Machine SVM e um modelo empilhado. Todos os modelos mencionados usaram 70% do conjunto de dados de treinamento e 30% do conjunto de dados de teste. Cada modelo foi selecionado por seu desempenho comprovado na análise de dados de saúde e sua capacidade de lidar com espaços de características não lineares e de alta dimensão. A avaliação do modelo foi realizada no conjunto de dados de validação para avaliar a generalizabilidade do modelo.

O desempenho do modelo foi avaliado usando uma matriz de confusão, composta por verdadeiros positivos (TP), falsos positivos (FP), verdadeiros negativos (TN) e falsos negativos (FN). As métricas de desempenho incluíam precisão e um relatório de classificação detalhando precisão, recordação e pontuações F1 para cada classe. A seguinte Equação ilustra métricas de desempenho.

    (2)

    (3)

    (4)

(5)

1. Classificador XG-Boost

Esse método implementou um modelo de classificação multiclasse usando o algoritmo XGBoost para prever estados cognitivos derivados do EEG a partir de características extraídas, conforme mostrado na saída 1 da Figura 3. A Saída 1 contém recursos RMS e a pontuação MMSE. Durante a construção do modelo XGBoost, a pontuação MMSE é incluída para testar o comportamento não linear das características RMS. Ele é usado como referência e referência para o desenvolvimento do sistema. O MMSE foi excluído em estágios posteriores para alcançar o objetivo de um sistema totalmente automatizado e independente do clínico.

XG-Boost é uma estrutura de gradiente boosting otimizada para eficiência e precisão, tornando-se bem adequada para lidar com dados estruturados em tarefas de classificação. Os poucos hiperparâmetros são ajustados no conjunto de dados EEG usando técnicas como validação cruzada e busca em grade. Os valores-chave dos parâmetros definidos abaixo são escolhidos para controlar o sobreajuste por meio de regularização e capturar a complexidade das características do EEG sem serem muito complexas.

Os Parâmetros-chave do modelo são: (1) Profundidade Máxima da Árvore = 8, que limita a profundidade das árvores de decisão para reduzir o sobreajuste e aprimorar a generalização. Porque uma árvore rasa perderia informações desnecessárias, já que uma árvore mais profunda pode se adaptar demais. (2) Regularização L2 (λ = 10) adiciona uma penalidade para coeficientes grandes para minimizar o sobreajuste controlando a complexidade do modelo. (2) A regularização L1 (α = 5) é introduzida para fornecer maior esparsidade no modelo e melhorar a interpretabilidade e robustez. O número de Estimadores (n_estimators=8) limitava o número de iterações de impulso para manter a eficiência computacional enquanto equilibrava o desempenho.

2. Classificador de Floresta Aleatória

Random Forest é um classificador de conjunto que constrói múltiplas árvores de decisão sobre subconjuntos aleatórios de dados e características, agregando suas saídas para a previsão final. Ele oferece robustez ao ruído, lida bem com dados não lineares e reduz o sobreajuste ao fazer a média de previsões diversas em árvores. Neste trabalho, o modelo de Floresta Aleatória foi configurado com parâmetros-chave usando o método de tentativa e erro. Tais parâmetros são explicados abaixo:
1) n_estimators=100
Ele é escolhido para limitar o número de árvores de decisão na floresta. Quanto mais árvores, melhor a generalização e mais estáveis as previsões.
2) max_depth=10
Indica a profundidade máxima de cada árvore. Se a árvore tiver baixa profundidade, há chance de subajuste. Enquanto a alta profundidade pode capturar detalhes e memorizar os dados de treinamento, pode ser excessiva. Portanto, escolher 10 é um ponto ideal, especialmente para sinais barulhentos ou complexos como EEG.
3) random_state=40
Ele corrige a semente de geração de números aleatórios usada para amostragem Bootstrap e construção de árvores. Isso garante a reprodutibilidade
4) n_jobs=-1
Ao definir o valor de n_jobs para -1, o modelo utiliza todos os núcleos da CPU de forma eficiente.

7. Máquina Vetorial de Suporte (SVM)

A Support Vector Machine é um classificador baseado em margem conhecido por seu desempenho linear em classificação binária e multiclasse²². Esse modelo utilizava um núcleo de função base radial devido à sua capacidade de capturar sinais de EEG não lineares. No entanto, o modelo apresentou desempenho subótimo, provavelmente devido à falta de escalonamento de características e ao tamanho limitado do conjunto de dados. Embora a SVM seja teoricamente poderosa, sua sensibilidade à otimização de hiperparâmetros e à distribuição de dados pode explicar a menor precisão observada em comparação com modelos baseados em árvores.

8. Modelo proposto de fusão HY-

Embora o modelo Random Forest tenha alcançado alta precisão, para garantir generalização e escalabilidade, um modelo empilhado foi construído com Random Forest e XG-Boost. A saída é alimentada como entrada para um modelo de regressão logística. E a regressão logística atua como um metaaprendizador. O diagrama arquitetônico do modelo é apresentado na Figura 4.

Junto com o^1º conjunto de entradas²⁰, o modelo empilhado também recebia entrada do segundo conjunto de dados²³. O conjunto de dados de Mendely²¹ é pré-processado em uma forma compreensível pelo modelo extraindo RMS e epocando até 10 s. Os resultados obtidos por cada modelo são mostrados na seção de resultados.

Resultados

Para justificar a força do método da época, o desempenho do modelo RF é comparado sem epocar o conjunto de dados. Na condição não epoca, as características eram extraídas de toda a gravação contínua e transferidas ao modelo RF. O sinal não epocatório apresentou 53% de precisão. Isso demonstra que a época oferece um método informativo mais estável para a criação de modelos. Portanto, características baseadas em ANOVA com p < 0,05 são consideradas significativas. Por exemplo, alpha_rms exi...

Discussão

Neste estudo proposto, a motivação para usar a arquitetura empilhada Hy-Fusion é combinar as forças complementares dos aprendizes baseados em árvores, como RF, e reduzir a variância de previsão por meio de um meta-aprendiz de regressão logística. A estratégia de empilhamento é comumente adotada quando aprendizes base apresentam diferentes vieses indutivos e padrões de erro. O meta-aprendiz aprende a corrigir erros sistemáticos dos classificadores base e a produzir resultados de conjunto ...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Bandpass filtering tools	MNE-Python	Built-in filters	Used for preprocessing
Computer workstation	—	Windows/Linux	Analysis computation
EEG Acquisition System	Provided by dataset creators	—	Not used by authors (dataset provided)
Epoching functions	MNE-Python	Built-in functions	Used for segmentation
GitHub or Google Drive	—	—	Storage for code/data
Google Colab	Google	Online	Cloud computing environment
MATLAB (used for signal checks)	MathWorks	R202x	Optional
Mendeley EEG Dataset	Mendeley Data		External validation dataset
MNE-Python	https://mne.tools	v1.x	EEG preprocessing/analysis
NumPy	NumPy developers	Latest	Array computation
OpenNeuro EEG Dataset	OpenNeuro	ds004504 (v1.0.8)	Primary dataset for AD/FTD/HC EEG
Python	Python Foundation	v3.10+	Programming environment
scikit-learn	sklearn developers	v1.x	Machine learning models
SciPy	SciPy developers	Latest	Signal processing