Уникальная полностью автоматизированная стекированная модель ЭЭГ-гифузии для классификации болезни Альцгеймера и фронто-височной деменции

Краткое содержание

В этой статье представлен автоматизированный конвейер извлечения признаков, который включает модели усиления сдвига Найквиста и ансамблевые модели машинного обучения для различия болезни Альцгеймера, фронтотемпоральной деменции и классов Healthy без необходимости вмешательства человека.

Аннотация

Болезнь Альцгеймера (AD) и фронто-височная деменция (FTD) — распространённые нейродегенеративные расстройства, нарушающие память, когнитивные функции и исполнительную обработку. Цель данного исследования — разработать полностью автоматизированный конвейер машинного обучения для прогнозирования болезни Альцгеймера на ранней стадии без необходимости клинического вмешательства. Эта методология предлагает количественный анализ тонких сдвигов нейроактивности. Цель — разработать надёжную, полностью автоматизированную систему, использующую данные ЭЭГ для классификации пациентов по группам с AD, FTD и Healthy Control, устранив необходимость в вмешательстве человека или клинических оценках. Главным новшеством системы является подход к обработке сигналов и автоматизированный конвейер функций. В частности, стратегическая модификация частоты Найквиста используется для повышения разрешения сигнала ЭЭГ в сочетании с гибридным слоем слияния, интегрирующим многодоменные особенности ЭЭГ и демографические данные. Впоследствии двухсторонний выбор признаков на базе ANOVA усовершенствует этот гибридный набор. Это улучшение способствует более эффективному извлечению признаков, повышая точность классификации. В предлагаемом методе частоты эпохуются для обогащения обучающего набора данных. Таким образом, стандартная модель случайного леса даёт 99,72% точности обучения. Для обеспечения устойчивости и обобщённости метода предлагается гибридная модель термоядерного синтеза.

Введение

Распространённые симптомы болезни Альцгеймера — потеря памяти, когнитивные нарушения, бессонница, спутанность сознания, дезориентация, изменения личности и др. Таким образом, раннее прогнозирование может гарантировать, что пациенты не опустятся до самых низких уровней, когда им нужна помощь круглосуточно. Существует множество способов диагностики этого заболевания, таких как^{МРТ 1}, КТ,^{ПЭТ 2} и^{ЭЭГ 3}. В частности, сигналы ЭЭГ в сочетании с MMSE доказали свою неинвазивную эффективность для прогнозирования болезни Альцгеймера. Частоты сигнала ЭЭГ варьируются как альфа, бета, тета, гамма и дельта. Альфа-волна обнаруживается, когда человек находится в расслабленном^{состоянии 3}. Частота альфа-волн варьируется от 8 до 12^{Гц 4}. Бета-волны активны на стадии тревоги мозга и варьируются от 13 до 30^{Гц 4}. Тета- и дельта-волны активны в состояниях сна и глубокого сна соответственно. Их частотные диапазоны — тета (4-7 Гц) и дельта (< 3,5 Гц) ^[4]. Традиционные диагностические методы основаны на визуализации и клинических оценках, таких как MMSE, которые часто являются субъективными и дорогостоящими, тогда как сигналы ЭЭГ фиксируют активность мозга в реальном времени и предлагают эффективные альтернативы.

Это исследование предлагает полностью автоматизированный диагностический конвейер, который принимает только сигналы ЭЭГ в качестве входных данных, тем самым обходя необходимость клинической оценки. Для извлечения этих волн из мозга можно использовать различные методы. Полосовый фильтр, учитывающий частоту Найквиста, является методом извлечения частот ЭЭГ. Частота Найквиста снижает частоту дискретизации вдвое для улучшения чёткости заранее обработанных сигналов. Поэтому тест ЭЭГ в сочетании с мини-психическим обследованием (MMSE) — это метод, используемый неврологами для оценки различных стадий болезни Альцгеймера (АД). Европейская федерация неврологических^{учёных 5} разработала рекомендации по диагностике различных классов этого заболевания.

В этой статье широко классифицируются болезнь Альцгеймера (AD), фронто-темпоральная деменция (FTD) и здоровые участники (контрольная категория). Фронто-височная деменция — это состояние человеческого мозга, при котором поражены только передняя и височная доля^{мозга 6,7}. Рисунок 1 иллюстрирует области мозга, обычно поражаемые при фронто-височной деменции (ФТД), включая лобные и височные долей. В этом исследовании временные и частотные особенности сигнала ЭЭГ сочетаются с демографическими особенностями. Для обеспечения объективности и автономии системы машинного обучения балл Mini-Mental State Examination (MMSE) был намеренно исключён из набора функций. Хотя MMSE широко используется клиническая метрика для когнитивной оценки, она по своей сути зависит от оценки клинициста и вводит доминирующее смещение в классификационных задачах. Исключая MMSE, предлагаемый метод направлен на создание самодостаточной, основанной на данных диагностической модели, способной функционировать независимо от субъективных клинических данных, тем самым поддерживая будущую разработку полностью автоматизированных инструментов скрининга на базе ИИ. Окончательные характеристики, за исключением балла MMSE, маркируются и предоставляются предлагаемой модели ЭЭГ-гифузии. Детали описаны в разделе «Протокол».

Обзор литературы

Электроэнцефалография (ЭЭГ) представляет собой неинвазивный и экономически эффективный инструмент для ранней диагностики неврологических заболеваний. Извлечение признаков ЭЭГ и анализ частотных диапазонов стали ключевыми методами в нейронауке и клинических исследованиях, предоставляя представление о активности мозга в различных когнитивных и патологических состояниях. Использование машинного обучения для анализа данных ЭЭГ набирает популярность в последние годы, с применением от мониторинга когнитивного состояния до ранней диагностики неврологических расстройств, таких как болезнь Альцгеймера. Этот обзор литературы выделяет ключевые вклады и пробелы в существующих исследованиях, связанных с извлечением признаков, классификацией и разработкой моделей ЭЭГ.

Когнитивная значимость сигнала ЭЭГ

Хотя Субха и ^др.8 уделяли внимание временно-частотной области RMS, которая эффективно фиксирует нестационарный характер ЭЭГ-сигналов, их работа не вводит никакого моделирования. Поэтому в этом исследовании были предложены модели машинного обучения для определения точности диагностики заболевания.

Барри и др^{. 9}продемонстрировали связь между частотными диапазонами ЭЭГ и когнитивными состояниями, связывая определённые частотные диапазоны (например, альфа-волны) с расслаблением и вниманием. ^{Бузсаки 10} исследовал физиологическое значение нейронных колебаний и их роль в функциях мозга, подчеркнув полезность частотно-специфического анализа в исследованиях ЭЭГ. Хотя анализ частотных диапазонов хорошо зарекомендовался, необходимость эффективных и масштабируемых конвейеров для извлечения признаков остаётся в центре внимания, особенно в крупноразмерных наборах данных.

Методы извлечения признаков ЭЭГ

Сенкая, Курназ и др^{. 11} использовали спектральные признаки, такие как PSD и энтропия, для прогнозирования болезни Альцгеймера. Эти спектральные способности помогают более точно фиксировать замедление мозговой активности. Хотя¹¹ работа эффективно рассматривала спектральные особенности, она не включала временные особенности, такие как RMS. Поэтому в данном исследовании предлагаются временные характеристики, извлечённые из таких частот, как альфа, бета, гамма, тета и дельта.

Лак и др., а также Каппенман и ^др.12 рассмотрели ЭЭГ-биомаркеры внимания и рабочей памяти, подчеркнув важность особенностей частотных диапазонов для различия когнитивных состояний. Кассани и ^др.13 исследовали ЭЭГ как диагностический инструмент болезни Альцгеймера, используя частотные диапазоны для выявления нейронных сигнатур когнитивного снижения. Мишель и^{Мюррей 14} обсудили полезность многоканального ЭЭГ-анализа для понимания когнитивных процессов и нейронной связности, заложив основу для приложений машинного обучения. Несмотря на эти достижения, интеграция автоматизированных конвейеров извлечения признаков с масштабируемыми моделями машинного обучения, такими как Random Forest и XG-Boost, остаётся недостаточно изученной. Существующая литература выделяет комбинированный частотно-диапазонный анализ с методами машинного обучения для когнитивных и клинических применений.

Модели машинного обучения и гибридного синтеза для классификации деменции

Модели машинного обучения, особенно ансамблевые методы, такие как XGBoost, показали перспективы в классификации признаков, полученных на основе^{ЭЭГ 15}. Эти модели решают сложность и вариабельность сигналов ЭЭГ, изучая нелинейные связи между входными признаками и метками выхода. Хотя исследование¹⁵ предложило подходящую модель, оценка точности оказывается под угрозой.

Craik и ^др.16 представили всесторонний обзор моделей глубокого обучения и традиционных машинных моделей для анализа ЭЭГ, подчеркнув успех фреймворков для усиления градиентов в структурированных данных. Абири и ^др.17 применили XG-Boost к данным ЭЭГ для приложений интерфейса мозг-компьютер, обеспечив надёжную классификационную эффективность благодаря способности работать с избыточностью признаков и шумом. Aghababaei и ^др.18 продемонстрировали использование ансамблевых методов, включая XG-Boost, в задачах распознавания эмоций на основе ЭЭГ, сообщая о улучшении точности и обобщения по сравнению с традиционными подходами. Однако такие проблемы, как несбалансированные наборы данных, недостаточное представление определённых классов и интерпретируемость моделей машинного обучения, сохраняются, что требует дальнейших исследований в области оптимизации и регуляризации моделей.

Чжэн и ^др.19 использовали ЭЭГ в состоянии покоя с закрытыми глазами (19 каналов) для расчёта временно-частотных функциональных показателей связности, а также обученные классификаторы машинного обучения для разделения AD, FTD и здоровых контрольных элементов. Однако они подчеркнули необходимость методов, улучшающих представление сигналов и обеспечивающие надёжную классификацию ансамблей.

Классификация на основе ЭЭГ широко применяется в когнитивной нейронауке и клинических областях. Хотя предыдущие исследования дают прочную основу для анализа ЭЭГ на основе машинного обучения, остаются некоторые пробелы. Многие исследования опираются на ручные признаки (например, RMS, PSD), которые могут не охватывать всю релевантную информацию. Автоматизированное инжиниринг функций и методы глубокого обучения могут дополнить традиционные подходы.

Дисбаланс в наборах данных ЭЭГ, особенно в многоклассовых условиях, часто искажает результаты классификации. Стратегии, такие как взвешивание по классу и дополнение данных, могут повысить результаты для недостаточно представленных классов. Тем не менее, остаётся необходимость в эффективных, интерпретируемых и обобщаемых конвейерах, интегрирующих извлечение признаков и классификацию моделей.

Протокол

Предлагаемый метод стратегически сегментирует сигналы ЭЭГ в частотную область для улучшения спектрального разрешения. Впоследствии захваченные ЭЭГ-сигналы разбиваются на 10 сегментов для повышения временного разрешения и согласованности в вычислениях признаков. Предлагаемый метод реализует классификаторы на основе RF, XGBost и SVM на производных признаках ЭЭГ, что способствует разработке надёжных и масштабируемых методов анализа ЭЭГ. Модель RF с некоторыми изменениями гиперпараметров оказалась лучшей среди других стандартных моделей. Поэтому предлагается гибридная, сплавленная, стекированная модель металлорена, объединяющая RF и XG-Boost для дальнейшего повышения точности прогнозирования.

Набор данных, использованный в этом методе, был собран в соответствии с институциональными этическими стандартами. Поставщики наборов данных получили согласие участников до начала сбора данных.

1. Спецификация набора данных

Для подтверждения надёжности системы были использованы два набора данных. Первый набор данных собран из репозитория данных^{ЭЭГ 20}, включающего 88 участников в состоянии покоя с закрытыми глазами, из которых 36 были диагностированы как АД, 23 из них — ФТД, и 29 — здоровые. ЭЭГ-записи были получены в состоянии покоя с закрытыми глазами с использованием 19-канальной системы после международного монтажа 10-20. В наборе данных, показанном на рисунке 2, все сигналы были отобраны с частотой 500 Гц и предоставлены в формате BIDS с предварительной предварительной обработкой участниками набора данных.

Второй набор данных собран из внешнего публичного^{репозитория 21} , включающего 35 участников в состоянии покоя. Из 13 участников диагностированы болезнь Альцгеймера (АД), 7 — пациенты с лёгкими когнитивными нарушениями (МКТ), и 15 — здоровые пожилые люди. Для поддержания согласованности с первым набором^{данных 20} использовались только сегменты базовой линии состояния покоя. Второй набор данных²¹ требовал полного конвейера предварительной обработки, как указано на рисунке 3.

2. Предварительная обработка

Существующие исследования сильно опираются на сложные процессы предварительной обработки, ручные шаги коррекции артефактов или ICA-ASR для удаления мышечных движений, что ограничивает воспроизводимость в рутинных клинических процессах. Для устранения этих ограничений предлагаемый конвейер сосредоточен на упрощённом подходе только с использованием ЭЭГ, который устраняет необходимость в вычислительно трудоёмких процедурах удаления артефактов и вместо этого делает акцент на контролируемой фильтрации, эпохальной сегментации и частотно-специфическом вычислении признаков.

1. Сортировка файлов ЭЭГ
   До предварительной обработки все файлы EEG автоматически сортировались для поддержания согласованности порядка по участникам и сессиям. Это обеспечивало одинаковое распределение признаков, эпоху и выравнивание меток для всех субъектов и предотвращало ошибки несоответствия файлов. Этот шаг показан на рисунке 3 как «Сортировка ЭЭГ-файла». Вся предобработка выполняется с использованием стандартного открытого набора инструментов для обработки ЭЭГ.
2. Пропускная фильтрация и повторное ссылание
   Был применён полосный фильтр Баттерворта в диапазоне 0,5-40 Гц для сохранения соответствующих компонентов ЭЭГ при одновременном снижении дрейфа и высокочастотного шума. Сигналы были переориентированы на среднее значение всех ЭЭГ-каналов, что минимизировало пространственное смещение и улучшало отношение сигнал/шум.
3. Сдвиг частоты Найквиста
   Для улучшения разрешения низкочастотных компонентов было применено усиление сдвига Найквиста путём уменьшения частоты дискретизации вдвое с 500 Гц до 250 Гц. Следуя вышеуказанному шагу, модификация Найквиста снижает частоту до 125 Гц. Поскольку частоты Дельта, Тета, Альфа, Бета и Гамма — это медленные волны от 0,5 до 40 Гц, это смещает эффективный предел Найквиста и повышает чёткость низкочастотных колебаний, характерных для деменции. Эта модификация помогла более точно захватывать медленные мозговые волны. Уравнение (1) ясно показывает результат препарата Найквиста.
   _{Дискретизация} F= 500 Гц
   _N выборка = F_{дискретизация/2}
   N_nyquist = N_{выборка/2} (1)
   Важно отметить, что_{N Найквист} — это не рабочая частота дискретизации, а просто максимальная представленная частота , и поэтому не влияет на эпохальную сегментацию. Это лишь теоретический предел, который гарантирует полное сохранение интересующего частотного содержания (0,5–40 Гц).
4. Эпохальная частота дискретизации до 10 сегментов
   Записи ЭЭГ делятся на 10 одинаковых сегментов. Этот шаг необходим для фиксации нестационарной активности сигнала ЭЭГ со временем. Короткие, однородные сегменты позволяют стабильно вычислять специфические для полос признаки и обогащают обучающие образцы для классификации машинного обучения. Таким образом, 250 образцов в секунду становятся 250 × 10 = 2500 образцов. Наконец, для стратегий анализа по эпохам берутся 10 эпох одинаковой длины на каждого участника. Эта стратегия анализа сгенерировала 880 образцов из 88 реальных участников.
   
   Необходимость анализа по эпохам заключается в минимальном мониторинге изменений сигналов мозга, что обеспечивает модели достаточным объёмом временных данных для обучения и предотвращения перенагона. Значимость такого подхода заключается в обеспечении более детализированных данных эпохи ЭЭГ, что позволяет проводить анализы, требующие более высокого временного разрешения без ущерба общим значениям признаков. Генерируя 10-секундные эпохи, методология поддерживает улучшенное моделирование динамики ЭЭГ и соответствует стандартным эпохам в протоколах анализа ЭЭГ.

3. Извлечение признаков

Предварительно обработанные сигналы ЭЭГ передаются методам извлечения признаков. ЭЭГ-сигналы фильтруются полосой в 5 стандартных частотных диапазонах: дельта (0,5-4 Гц), тета (4-8 Гц), альфа (8-13 Гц), бета (13-25 Гц) и гамма (25-40 Гц).

Для каждого отфильтрованного сигнала значение Root Average Square (RMS) вычислялось по всем каналам EEG. Математическая формулировка RMS приведена в уравнении (1):

RMS =     (1)

Здесь x_i — амплитуда сигнала ЭЭГ на i-й пробе времени. N — общее количество отсплов в сегменте сигнала.

RMS был выбран в качестве основной особенности благодаря способности количественно оценивать энергию колебательной активности в каждом диапазоне частот. Болезнь Альцгеймера часто связана с повышенной активностью дельта и тета, а также снижением активности альфа и бета. Фронто-височная деменция (ФТД) может проявлять характерные закономерности в этих^{диапазонах 20,21}. Поскольку PSD математически дублирует RMS, он не считается особенностью. Для поддержания компактного набора данных исключаются оставшиеся признаки, такие как Хьёрт и энтропия.

4. Гибридный синтез

Извлеченные признаки RMS во временной области комбинировались с частотными характеристиками, полученными через пропускную фильтрацию, сделав это гибридным пространством для ввода моделей. Детали компиляции показаны на рисунке 3. Окончательный нормализованный набор данных организован в табличный формат с строками, представляющими участников, и столбцами, представляющими временно-частотные диапазоны и демографические особенности, такие как возраст, пол и группа. Конвейер, показанный на рисунке 2 , эффективно извлекает особенности ЭЭГ, важные для исследований болезни Альцгеймера. Извлеченные признаки дают представление о нейронной активности в ключевых частотных диапазонах и могут использоваться для машинного обучения и статистического анализа.

5. Выбор функций

Для повышения производительности модели и снижения размерности признаков был применён двухсторонний анализ дисперсии (ANOVA). Выбор на основе ANOVA применялся с группой и возрастом как независимыми факторами, а частотными диапазонами RMS — как зависимыми признаками. В этом анализе оценивалось влияние взаимодействия группы, возраста и возрастных групп на каждую особенность. Для дальнейшей классификации были выбраны признаки с p-значениями < 0,05 хотя бы для одного фактора. Подробные результаты на основе ANOVA приведены в разделе с результатами. Эти признаки являются самыми информативными переменными для классификации, что помогло повысить точность и обобщение конечной предсказательной модели. В результате теста ANOVA для создания модели были выбраны только самые информативные функции. А дополнительные нечисловые атрибуты — Гендер и participant_id — были исключены из анализа. Целевой переменной был закодирован метками для классификации.

6. Описание модели

Для классификации заболевания на 3 класса: болезнь Альцгеймера, Контрольная и Фронтальная деменция — были разработаны три контролируемые модели машинного обучения, такие как XG-Boost, Random Forest, Support Vector Machine SVM и модель Stacked. Все упомянутые модели использовали 70% обучающего набора данных и 30% тестового набора данных. Каждая модель была выбрана за проверенную эффективность в анализе данных в здравоохранении и способность работать с нелинейными и высокоразмерными пространствами признаков. Оценка модели проводилась на основе валидационного набора данных для оценки её обобщимости.

Производительность модели оценивалась с помощью матрицы путаницы, включающей истинно положительный (TP), ложноположительный (FP), истинно отрицательный (TN) и ложноотрицательный (FN). Показатели эффективности включали точность и отчёт по классификации с подробной точностью, отзывом и результатами F1 для каждого класса. Следующее уравнение иллюстрирует метрики эффективности.

    (2)

    (3)

    (4)

(5)

1. Классификатор XG-Boost

Этот метод реализовал многоклассовую модель классификации с использованием алгоритма XGBoost для прогнозирования когнитивных состояний, выведенных с помощью ЭЭГ, из извлечённых признаков, как показано на выводе 1 рисунка 3. Выход 1 содержит функции RMS и балл MMSE. При создании модели XGBoost балл MMSE включается для проверки нелинейного поведения характеристик RMS. Он используется как ориентир и базовый этап для разработки системы. MMSE был исключён на более поздних этапах для достижения цели полностью автоматизированной, независимой от клинициста системы.

XG-Boost — это фреймворк градиентного бустинга, оптимизированный для эффективности и точности, что делает его отлично подходящим для обработки структурированных данных в задачах классификации. Несколько гиперпараметров настраиваются на наборе данных ЭЭГ с помощью таких методов, как перекрёстная валидация и поиск по сетке. Ключевые значения параметров, определённые ниже, выбираются для контроля перенагона с помощью регуляризации и для отражения сложности признаков EEG без чрезмерной сложности.

Ключевые параметры модели: (1) максимальная глубина дерева = 8, что ограничивает глубину деревьев принятия решений для снижения перенастройки и улучшения обобщения. Потому что неглубокое дерево упустит ненужную информацию, так как более глубокое дерево может перерасти. (2) Регуляризация L2 (λ = 10) добавляет штраф для больших коэффициентов, минимизируя переподгонку за счёт контроля сложности модели. (2) Введена L1-регуляризация (α = 5) для дополнительной разрежённости модели с целью повышения интерпретируемости и прочности. Количество оценщиков (n_estimators=8) ограничивало количество бустерных итераций для поддержания вычислительной эффективности при балансе производительности.

2. Классификатор случайных лесов

Случайный лес — это ансамблевой классификатор, который строит несколько деревьев решений на случайных подмножествах данных и признаков, агрегируя их результаты для окончательного прогноза. Он обеспечивает устойчивость к шуму, хорошо обрабатывает нелинейные данные и снижает переподгонку за счёт усреднения различных деревьев предсказаний. В этой работе модель случайного леса была настроена с ключевыми параметрами с помощью метода проб и ошибок. Такие параметры объяснены ниже:
1) n_estimators=100
Он выбран для ограничения количества деревьев принятия решений в лесу. Чем больше деревьев, тем лучше обобщение и тем стабильнее прогнозы.
2) max_depth=10
Он показывает максимальную глубину каждого дерева. Если у дерева низкая глубина, есть вероятность недоприспособления. В то время как высокая глубина может фиксировать детали и запоминать обучающие данные, она может быть переоценена. Поэтому выбор 10 — оптимальная середина, особенно для шумных или сложных сигналов, таких как ЭЭГ.
3) random_state=40
Он исправляет генерацию случайных чисел, используемую для выборки Bootstrap и построения дерева. Это обеспечивает воспроизводимость
4) n_jobs=-1
Установив значение n_jobs равным -1, модель эффективно использует все ядра процессора.

7. Поддерживающая векторная машина (SVM)

Support Vector Machine — это классификатор, основанный на маржи, известный своей линейной производительностью в бинарной и многоклассовой^{классификации 22}. В этой модели использовалось ядро радиальной базисной функции благодаря его способности захватывать нелинейные сигналы ЭЭГ. Однако модель демонстрировала неоптимальную производительность, вероятно, из-за отсутствия масштабирования признаков и ограниченного размера набора данных. Хотя SVM теоретически мощен, его чувствительность к настройке гиперпараметров и распределению данных может объяснять более низкую точность по сравнению с моделями на основе деревьев.

8. Предлагаемая модель HY-синтеза

Хотя модель Random Forest достигла высокой точности, для обеспечения обобщённости и масштабируемости была построена стекированная модель с использованием Random Forest и XG-Boost. Выход подаётся в качестве входа в логистическую регрессионную модель. А логистическая регрессия действует как источник металла. Архитектурная схема модели приведена на рисунке 4.

Вместе с^{одним набором входа 20}, стекированная модель также принимала входы из второго набора^{данных 23}. Набор данных из^{Mendely 21} предварительно обрабатывается до формы, понятной модели, путем извлечения RMS и эпохи до 10 с. Результаты, полученные каждой моделью, показаны в разделе результатов.

Результаты

Для обоснования прочности эпохального метода сравнивается производительность RF-модели без этапирования набора данных. В неэпохальном состоянии признаки извлекались из всей непрерывной записи и передавались в RF-модель. Неэпохальный сигнал обеспечивал точность 53%. Это демонстрирует, что эпохирование обеспечивает более стабильный информативный метод создания моделей. Таким образом, признаки на основе ANOVA с p < 0,05 считаются значимыми. Например, alpha_rms проявил значительный групповой...

Обсуждение

В этом предложенном исследовании мотивацией использования стекированной архитектуры Hy-Fusion является объединение дополняющих сильных сторон древесных обучающихся, таких как RF, и снижение дисперсии прогноза с помощью логистически регрессионного мета-обучающегося. Стратегия стекирования обычно применяется, когда у базовых учащихся есть разные индуктивные искажения и ошибочные паттерны. Мета-обучающийся учится исправлять систематические ошибки базовых классификаторов и получать более отк...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Инструменты фильтрации полосы пропускания	MNE-Python	Встроенные фильтры	Используется для предварительной обработки
Компьютерная рабочая станция	—	Windows/Linux	Вычисление анализа
Система регистрации ЭЭГ	Предоставлена создателями набора данных	—	Авторами не используется (предоставлен набор данных)
Функции эпохирования	MNE-Python	Встроенные функции	Используется для сегментации
GitHub или Google Drive	—	—	Хранение кода/данных
Google Colab	Google	Онлайн	Облачная вычислительная среда
MATLAB (используется для проверки сигналов)	MathWorks	R202x	Необязательно
Набор данных ЭЭГ Mendeley	Mendeley Data		Набор данных для внешней проверки
MNE-Python	https://mne.tools	v1.x	Предварительная обработка/анализ ЭЭГ
NumPy	Разработчики NumPy	Последняя	Вычисление массивов
Набор данных ЭЭГ OpenNeuro	OpenNeuro	ds004504 (v1.0.8)	Основной набор данных для ЭЭГ БА/ФТД/ЗД
Python	Фонд Python	v3.10+	Программная среда
scikit-learn	Разработчики sklearn	v1.x	Модели машинного обучения
SciPy	Разработчики SciPy	Последняя	Обработка сигналов