使用多目标优化为准确的MCI检测选择EEG通道和特征:使用离开一个主体的策略进行验证.

科学领域:

• 神经科学和生物医学工程
• 医疗保健中的机器学习

背景情况:

• 及时发现轻度认知障碍 (MCI) 对于有效的痴呆症管理至关重要.
• 电脑电图 (EEG) 信号为MCI检测提供了一个潜在的非侵入性方法.
• 优化EEG频道和特征选择是提高诊断准确性和效率的关键.

研究的目的:

• 开发和评估一个多目标优化方法来选择最佳的EEG通道和特征用于MCI检测.
• 通过机器学习技术提高MCI诊断的准确性和效率.
• 调查特征和频道选择对分类性能的影响.

主要方法:

• 用变量模式分解 (VMD) 或离散波段转换 (DWT) 将EEG信号分解成子带.
• 从子带中提取了标准偏差,和碎形维度等特征.
• 非主导排序基因算法II (NSGA-II) 用于道和特征选择的多目标优化,旨在最大限度地减少道数量并最大限度地提高分类准确性.

主要成果:

• 与使用所有19个EEG通道相比,NSGA-II算法显著提高了MCI检测的分类准确性.
• 使用NSGA-II仅选择5个频道,精度提高到91.56%,使用7个频道中的8个功能实现了95.28%的精度.
• 优化信息道和特征的选择减少了噪音的影响,从而大幅提高了性能.

结论:

• 使用NSGA-II的多目标优化对于选择信息性的EEG通道和用于准确MCI检测的特征是有效的.
• 减少一组通道和特征可以产生比使用所有可用数据更高的诊断准确性,这表明一种更有效的方法.
• 这种方法对开发用于早期MCI诊断的实用,临床适用工具充满希望.