EEG瞑想分類のためのハイブリッドハリスホークス算術アルゴリズムによるディープCNNアーキテクチャの最適化 | JoVE Visualize

科学分野:

神経科学
人工知能
信号処理

背景:

瞑想は認知機能を向上させますが、分類のためのEEG信号の分析は依然として困難です。
既存の方法では、高度な技術が不足している限定的な特徴と従来の機械学習を使用しています。
EEG瞑想分類のための時間周波数解析、深層学習、および最適化を組み合わせた統合アプローチが必要です。

研究の目的:

瞑想状態を分類するためのEEGベースのハイブリッドフレームワークを開発すること。
高度な最適化および深層学習技術を統合することにより、瞑想分類精度を向上させること。
瞑想研究のための現在のEEG信号分析における限界に対処すること。

主な方法:

ハリスホークス最適化（HHO）と算術最適化アルゴリズム（AOA）を組み合わせたハイブリッドフレームワークを、畳み込みニューラルネットワーク（CNN）パラメータの調整のために開発しました。
EEG信号を前処理し、ストックウェル変換（S変換）を使用して時間周波数画像に変換しました。
HHO-AOA-CNNモデルは、これらの画像をハイパーパラメータ最適化およびヴィパッサナー（VIP）、イシャシュンヤ（IS）、および制御（CTR）状態の分類のために処理しました。

主要な成果:

提案されたHHO-AOA-CNNフレームワークは、94.20%の分類精度を達成しました。
ハイブリッドモデルは、スタンドアロンのHHO-CNN、AOA-CNN、およびベースラインCNNモデルと比較して優れたパフォーマンスを示しました。
統計分析により、ハイブリッド最適化アプローチの安定性と堅牢性が確認されました。

結論:

開発されたHHO-AOA-CNNフレームワークは、EEGベースの瞑想分類のための堅牢で正確な方法を提供します。
このアプローチは、高度な信号処理、深層学習、および最適化技術を効果的に統合します。
この発見は、EEG分析を通じた瞑想状態の理解と客観的測定の向上に貢献します。