ウェーブレット特徴量を用いたEEG分類のための深層ハイブリッドCNN-BiLSTM-アテンションモデル

科学分野:

• 神経科学
• 機械学習
• 信号処理

背景:

• 脳波（EEG）は、脳のダイナミクスを研究するための優れた時間分解能を提供します。
• EEGデータにおけるクラスの不均衡とばらつきは、自動脳状態の識別に課題をもたらします。
• EEGからの認知状態の区別には、高度な分析方法が必要です。

研究 の 目的:

• EEG記録を異なる脳状態（安静 vs. 聴覚マントラ刺激）に分類すること。
• 深層ハイブリッドニューラルネットワークを用いたウェーブレットベースの時間周波数特徴からの識別学習を改善すること。
• 自動脳状態分類の精度を向上させること。

主な方法:

• 安静状態とマントラ聴取状態の経験豊富な実践者から記録されたEEGデータ。
• EEGセグメントの時間周波数表現のためにウェーブレット変換を使用しました。
• 畳み込みニューラルネットワーク（CNN）、双方向長期短期記憶（BiLSTM）、およびアテンションメカニズムを組み合わせたハイブリッド深層学習モデルを採用しました。

主要な成果:

• 提案されたCNN-BiLSTM-アテンションモデルは、独立したテストセットで99.46％という高精度を達成しました。
• これは、CNN、LSTM、CNN+LSTMなどのベースラインモデルを大幅に上回りました。
• 受信者操作特性（ROC）分析は、曲線下面積（AUC）が1.0に近く、強力な識別能力を確認しました。

結論:

• ハイブリッド深層学習フレームワークは、EEG分析のための空間時間特徴学習を効果的に強化します。
• このモデルは、安静状態とマントラ聴覚刺激中の脳状態を区別する上で堅牢なパフォーマンスを示しています。
• このアプローチは、神経生理学的モニタリングおよびリアルタイム認知状態検出の可能性を示しています。