解释脑电图通道和亚波段灵敏度用于酒精检测
Sandeep B Sangle1, Pramod H Kachare1, Digambar V Puri1
1Department of Computer Science Engineering, RAIT, D Y Patil Deemed to be University, Navi-Mumbai, India.
Computers in biology and medicine
|February 19, 2025
概括
这项研究使用人工神经网络 (ANN) 和电脑图 (EEG) 信号来早期检测酒精. 可解释的人工智能识别了关键的大脑区域和频段,以进行准确的诊断和监测.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 酒是一种影响精神和身体健康的渐进性疾病.
- 早期发现酒对于及时干预和管理至关重要.
- 脑电图 (EEG) 信号提供了一种非侵入性方法来监测大脑活动.
研究的目的:
- 开发一种自动化系统,使用EEG信号来检测酒精.
- 通过可解释的人工智能 (XAI) 识别可靠的酒生物标志物.
- 评估机器学习模型和超标采样技术在基于EEG的酒精检测中的性能.
主要方法:
- 脑电图信号被分解成五个频段.
- 机器学习模型,包括人工神经网络 (ANN),进行了培训和评估.
- 三种过量采样技术 (SMOTE,ADASYN,高斯式) 用于增强模型的概括性.
- 应用了可解释的AI技术 (LIME,分模块选择LIME,莫里斯灵敏度分析) 来解释模型预测.
主要成果:
- 安恩以97.36%的精度和97.88%的F1分数实现了卓越的性能.
- 基于SMOTE的ANN进一步提高了性能,达到97.93%的准确性和97.99%的F1分数.
- XAI确定了β和马波段,以及顶部和中部EEG区域,作为重要的生物标志物.
结论:
- 通过EEG信号,ANN模型可以有效地检测出酒精.
- XAI提供了对酒的神经相关的有价值的见解.
- 已识别的生物标志物和方法对早期酒发现和监测系统具有潜力.
