使用LASSO回归检测酒精EEG信号,使用基于LSTM的元启发算法和增强的人工神经网络分类算法
Gowri Shankar Manivannan1, Kalaiyarasi Mani2, Harikumar Rajaguru2
1Malnad College of Engineering, Hassan, Karnataka, India. mshankar065@gmail.com.
Scientific reports
|September 13, 2024
概括
这项研究引入了一种快速,深度学习的方法,可以自动检测酒精电脑电图 (EEG) 信号. 这种新的方法达到99.59%的准确性,有可能减少与酒精有关的死亡人数并改善公共卫生结果.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 饮酒是全球死亡的主要原因之一.
- 目前通过EEG信号识别酒精中毒的方法由于手动数据分析而耗时.
- 电脑电图 (EEG) 波中的独特模式区分了酒精和非酒精个体.
研究的目的:
- 开发一种基于深度学习的自动化方法,用于快速检测酒精性EEG信号.
- 提高酒精中毒识别的效率,以便及时干预.
- 探索先进机器学习技术在与滥用酒精有关的公共卫生应用中的潜力.
主要方法:
- 一个级联过程,涉及LASSO回归用于初始聚类和特征提取.
- 超启发算法包括粒子集群优化 (PSO),二进制编码和搜索 (BCHS) 和二进制龙算法 (BDA) 以实现特征最小化.
- 使用支持矢量机 (SVM),随机森林,人工神经网络 (ANN),增强人工神经网络 (EANN) 和长短期记忆 (LSTM) 模型进行分类.
主要成果:
- 拟议的方法有效地区分使用非线性特征的正常和酒精EEG信号.
- 统计测试 (t-test,弗里德曼,曼-惠特尼U,Z-Score) 证实了提取的特征的重要性.
- 拉索回归与基于BDA的EANN相结合,实现了高分类准确率99.59%.
结论:
- 开发的深度学习方法为自动酒精EEG信号检测提供了高度准确和快速的解决方案.
- 这一进步具有显著的潜力,可以减少与酒精有关的死亡率,并加强公共卫生倡议.
- 这项研究证明了将特征提取,元启发学优化和深度学习用于生物医学信号分析的有效性.
