様々なノイズフィルタリング技術によるDWT-CNN-BiGRUを用いたアルコールと対照群のEEG分類の改善

科学分野:

• 神経科学
• 生物医学工学
• 信号処理

背景:

• 電気脳波 (EEG) 信号の分析はアルコール依存症の診断に不可欠です.
• 騒音とEEG信号の複雑さは 正確な分類を困難にしています
• 効果的な事前処理はディープラーニングモデルのパフォーマンスを高めるために不可欠です.

研究 の 目的:

• アルコール依存症のEEG信号分類に対するディスクリート波形変換 (DWT),ディスクリートフーリエ変換 (DFT),ディスクリートコサイヌ変換 (DCT) の影響を評価する.
• この分野におけるディープラーニングモデルの改善のための最適のプリプロセッシング技術を特定する.
• 新しいDWT-CNN-BiGRUモデルを導入し検証する.

主な方法:

• DWT,DFT,DCTの3つの消音技術の比較
• 新しいディープラーニングモデルの開発:DWT-CNN-BiGRU,空間的な特徴のためのCNNと時間的な依存性のためのBiGRUを統合する.
• 標準スケーリングとDWTプリプロセッシングの組み合わせ

主要な成果:

• DWTベースのアプローチは,最も高い分類精度 (94%),精度 (0.94),リコール (0.95),およびF1スコア (0.94) を達成しました.
• 提案されたDWT-CNN-BiGRUモデルは,DWT-CNN-BiLSTMベースラインと比較して,分類精度が約17%向上した.
• この文脈で,DWTは,EEG信号の分類のための優れた事前処理方法として登場しました.

結論:

• ディスクレート・ウェーブレット・トランスフォーマー (DWT) は,アルコール依存症の分類におけるEEG信号の事前処理に非常に有効です.
• 提案されたDWT-CNN-BiGRUモデルは,信頼性の高いEEGベースの診断のためのパフォーマンスを向上させます.
• この研究は,神経イメージングデータを用いた医療診断のためのより正確なツールの開発に貢献します.