EEG信号を用いた機械学習による神経障害性疼痛の分析および検出のための効率的なブレンドモデル

科学分野:

• 神経科学および生物医学工学
• 計算知能および機械学習

背景:

• 神経障害性疼痛は患者の生活の質に著しく影響を与えるため、正確な診断方法が必要です。
• 脳波（EEG）信号は、疼痛評価のための脳活動に関する貴重な洞察を提供します。
• 機械学習（ML）は、神経障害性疼痛を分類するために複雑なEEGデータを分析するための強力なツールを提供します。

研究 の 目的:

• EEG信号を用いた正確な神経障害性疼痛分類のための効率的なブレンド機械学習モデルを開発および評価すること。
• さまざまな特徴抽出、選択、および分類技術を組み込んだ2つの異なるブレンドモデルアプローチのパフォーマンスを比較すること。

主な方法:

• EEG信号からの神経障害性疼痛分類のために、2つのブレンドモデルアプローチが提案されました。
• 特徴抽出には、離散ウェーブレット変換（DWT）、統計的特徴、ファジィC平均（FCM）などの技術が含まれていました。
• 特徴選択方法には、灰色オオカミ最適化（GWO）、ハイブリッドソルプ群最適化-粒子群最適化（SSO-PSO）などが含まれ、その後、勾配ブースティングマシン（GBM）、サポートベクターマシン（SVM）、およびエクストリーム勾配ブースティング（XGBoost）などのモデルで分類されました。

主要な成果:

• 研究では、公開されているEEGデータセットで2つの包括的なブレンドモデルを評価しました。
• ハイブリッドソルプ群最適化-粒子群最適化（SSO-PSO）によって選択されたファジィC平均（FCM）特徴を使用し、多項カーネルベース部分最小二乗-サポートベクターマシン（PLS-SVM）分類器によって分類された2番目のブレンドモデルは、優れたパフォーマンスを示しました。
• この最適な構成は、92.68％という高い分類精度を達成しました。

結論:

• 提案されたブレンドモデルは、EEGデータからの神経障害性疼痛の自動分類に大きな可能性を示しています。
• FCM特徴抽出、SSO-PSO特徴選択、およびPLS-SVM分類の組み合わせは、診断精度の向上に非常に効果的な戦略を表します。
• この研究は、神経障害性疼痛を評価するための非侵襲的​​な方法を進歩させることに貢献し、臨床転帰を改善する可能性があります。