The Effect of Visual Stimulus Type on Machine Learning Model Performance in Alcoholism Detection Using EEG Signals

The Effect of Visual Stimulus Type on Machine Learning Model Performance in Alcoholism Detection Using EEG Signals

Parvin Tavakoli Buoeini1 Adel Hosseinzadeh Otaghvari2

1) Department of Biomedical Engineering, Raghib Isfahani Institute of Higher Education, Isfahan 86543-84361, Iran
2) Materials Engineering Group, Golpayegan College of Engineering, Isfahan University of Technology Golpayegan, 87717-67498, Iran

IOI Code : AAHD-ABCKDD
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
Abstract :
    الکتروانسفالوگرافی (EEG) یک روشی برای ثبت فعالیت الکتریکی مغز است. این روش اغلب در مطالعاتی که به بررسی اختلالات مختلف مغزی می‌پردازند، استفاده می‌شود. EEG می‌تواند نشان دهد که چگونه فعالیت مغزی افراد مبتلا به الکلیسم با افراد سالم تفاوت دارد. اگرچه مطالعات زیادی از EEG برای این منظور استفاده کرده‌اند، تأثیر نوع محرک بصری بر دقت تشخیص چندان مورد بررسی قرار نگرفته است. هدف این کار مقایسه سه نوع محرک بصری است: یک تصویر تنها (S1 obj)، دو تصویر مشابه (S2 match) و دو تصویر متفاوت (S2 nomatch). در این مطالعه، ۴۶۸ آزمایش یک‌ثانیه‌ای EEG از ۱۶ نفر استفاده شد. هشت نفر از آنها افراد مبتلا به الکلیسم و هشت نفر افراد سالم بودند. همه سیگنال‌ها با ۶۴ کانال EEG ثبت شده بودند. داده‌ها از مجموعه داده EEG Database در Kaggle گرفته شد. برای هر آزمایش، چندین گروه از ویژگی‌ها استخراج شد. این موارد شامل مقادیر آماری ساده مانند میانگین، انحراف معیار، چولگی و کشیدگی بودند. توان در باندهای فرکانسی اصلی (دلتا، تتا، آلفا، بتا، گاما) نیز محاسبه شد. علاوه بر این، معیارهای آنتروپی، پارامترهای Hjorth، ویژگی‌های عدم تقارن چپ-راست و ویژگی‌های همدوسی مبتنی بر ارتباطات نیز استفاده شد. مدل XGBoost برای طبقه‌بندی داده‌ها استفاده شد. برای اطمینان از واقعی بودن نتایج و جلوگیری از بیش‌برازش، مدل چندین بار با تقسیم‌بندی‌های مختلف آموزش و آزمایش شد. شرایط تک‌تصویری با ۹۱.۹٪ دقت و با استفاده از ویژگی‌های پیشرفته به بالاترین دقت دست یافت. شرایط تصاویر مشابه با ویژگی‌های پایه به دقت ۹۱.۲٪ و شرایط تصاویر متفاوت به دقت ۸۹.۸٪ رسیدند. این نتایج نشان می‌دهد که نوع محرک بصری بر عملکرد طبقه‌بندی تأثیر می‌گذارد. استفاده از یک تصویر تنها با ویژگی‌های غنی‌تر، پایدارترین و قابل‌اعتمادترین نتیجه را ارائه می‌دهد.

Keywords : الکتروانسفالوگرافی الکلیسم محرک بصری استخراج ویژگی طبقه بندی