R-CNN-TPOT:一种新的混合机器学习网络,用于使用EEG信号预测大脑年龄
Sundas Almas1, Pedro Antonio Valdes Sosa1, Rana Muhammad Ali Washakh2,3
1The Clinical Hospital of Chengdu Brain Science Institute, MOE Key Laboratory for Neuroinformation, School of Life Science and Technology, University of Electronic Science and Technology of China, Chengdu, China.
Cognitive neurodynamics
|September 30, 2025
概括
这项研究引入了一种新的机器学习方法,用于使用脑电图 (EEG) 信号预测大脑年龄. 新的基于回归的卷积神经网络-TPOT (R-CNN-TPOT) 模型在估计大脑年龄变化方面显示出有希望的结果.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 从脑电图 (EEG) 信号中得出的大脑年龄反映了与年龄相关的变化.
- 将大脑年龄与时间学年龄进行比较有助于识别正常衰老过程中的偏差.
- 现有的大脑年龄预测方法主要使用脑成像,使基于EEG的方法未得到充分探索.
研究的目的:
- 提出一种新的混合机器学习 (ML) 技术,用EEG信号来预测大脑年龄.
- 解决脑电图数据和基于树的管道优化工具 (TPOT) 在脑年龄预测中的不足利用问题.
- 为此任务开发和评估一种新的ML方法,即基于回归的卷积神经网络-TPOT (R-CNN-TPOT).
主要方法:
- 从EEG信号中提取各种特征,包括光谱,统计,频域和分解域特征.
- 通过使用回归建模集成卷积神经网络 (CNN) 和TPOT分类来开发混合ML模型R-CNN-TPOT.
- 应用R-CNN-TPOT模型从经过处理的EEG特征来预测大脑年龄.
主要成果:
- R-CNN-TPOT模型实现了0.033.3的平均绝对误差 (MAE).
- 该模型显示了0.063的平均平方误差 (MSE) 和0.251.25的根平均平方误差 (RMSE).
- 15.456的R平方值表明该模型在预测大脑年龄方面的表现.
结论:
- 拟议的R-CNN-TPOT模型提供了使用EEG信号进行大脑年龄预测的有效方法.
- 这种混合ML技术成功地集成了CNN和TPOT,用于增强的回归建模.
- 这项研究强调了基于EEG的方法和先进的ML工具在理解大脑衰老过程中的潜力.
