使用基于EEG的机器学习预测酒精影响下的驾驶风险
Pin-Yang Yeh1, Cheuk-Kwan Sun2, Yu-Ru Sue3
1Department of Psychology, College of Medical and Health Science, Asia University, Taichung, Taiwan; Clinical Psychology Center, Asia University Hospital, Taichung, Taiwan.
Computers in biology and medicine
|November 12, 2024
概括
机器学习模型使用电脑电图 (EEG) 信号准确地识别出酒精使用障碍 (AUD) 的个体,这些个体在酒精影响下驾驶 (DUIA). K-最接近的邻居 (KNN) 设有theta/beta比率 (TBR) 区分了DUIA,而后勤回归 (LR) 和其他人确定了AUD成年人中的DUIA风险.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 精神病学是一个精神病学.
背景情况:
- 酒精影响下驾驶 (DUIA) 是一个重要的公共卫生问题,与酒精使用障碍 (AUD) 密切相关.
- 以前的研究表明,机器学习 (ML) 的有效性与神经心理学数据用于DUIA风险预测.
- 电脑电图 (EEG) 信号为区分AUD和DUIA状态提供了一个潜在的生物标志物.
研究的目的:
- 为了比较6个ML算法在区分AUD和DUIA (AUD-DD) 的成年人与没有DUIA (AUD-NDD) 的AUD和对照者的性能.
- 评估EEG衍生的特征,特别是不对称性和theta/beta比率 (TBR) 对这种差异化的有用性.
- 确定最准确的ML模型和特征,用于预测AUD群体中的DUIA.
主要方法:
- 从15名AUD-DD,10名AUD-NDD参与者和14名控制者收集了EEG数据,这些参与者在模拟驾驶条件下使用了带有8个电极的VR头戴式耳机.
- 分析的特征包括EEG不对称性和TBR.
- 六个ML算法 (KNN,LR,SVM,NB,等等) 的使用. 被训练并对提取的EEG特征进行测试.
主要成果:
- 在三组的Fz和Cz电极中观察到TBR的显著差异 (p < 0.02).
- 在EEG不对称性方面,没有发现群体之间的显著差异 (p > 0.09).
- 使用TBR的KNN在区分AUD-DD和控制器时实现了83%的准确性. 具有不对称性的LR,SVM和NB在识别AUD成年人的DUIA时取得了80%的准确性.
结论:
- 基于EEG的ML模型显示出确定DUIA的前景.
- 与TBR相结合的KNN在一般人群中有效检测DUIA.
- 使用EEG不对称性的LR,SVM和NB对于预测AUD患者中DUIA风险非常有价值.
