Анализ временных рядов ЭЭГ пациентов с алкогольной зависимостью с помощью нейронных сетей

Анализ временных рядов ЭЭГ пациентов с алкогольной зависимостью с помощью нейронных сетей

Автор: Яковлева Т.В., Крысько А.В.

Журнал: Российский журнал биомеханики @journal-biomech

Статья в выпуске: 1 (103) т.28, 2024 года.

Бесплатный доступ

Алкоголизм - это серьезное заболевание, которое создает проблемы для современного общества, в настоящее время существуют общепринятые стандартные тесты или процедуры для выявления алкоголизма. В данном исследовании предлагается новая методология на основе комплексного подхода к изучению временных рядов ЭЭГ, основанная на сочетании методов нелинейной динамики и машинного обучения. В этом исследовании мы применяем кодирование сигнала в виде 16-канального изображения, которое подается на обучение в модель ResNet 50 и GoogLeNet . Для предварительной обработки данных применяется быстрое преобразование Фурье и вейвлет-преобразование. Наряду с применением нейронных сетей исследование сигналов ЭЭГ было проведено с помощью вычисления показателей Ляпунова и мультимасштабной энтропии. Предварительно был исследован вопрос выбора наиболее эффективного материнского вейвлета. Исследовались вейвлет-преобразования Морле, Мейера, Мексиканская шляпа, Добеши, Гаусса. Был вычислен спектр из пяти показателей Ляпунова методом Сано-Савада. Для подтверждения достоверности результатов предварительно старший показатель Ляпунова был вычислен еще тремя методами: Вольфа, Канца, Розенштейна. Ранее апробация методов проводилась на таких классических задач, как гиперхаотическое отображение Энона, логистическое отображение, аттрактор Рёсслера и аттрактор Лоренца. Применение нескольких подходов для анализа временных рядов ЭЭГ необходимо для подтверждения достоверности результатов. На основе разработанной методики выявлено, что модель GoogLeNet более эффективна, чем ResNet 50. Обнаружено, что использование вейвлет-преобразования, по сравнению с преобразованием Фурье, для диагностики пациентов с алкогольной зависимостью дает более высокую точность.

Еще

Ээг-сигнал, вейвлет-анализ, машинное обучение, показатели ляпунова, мультимасштабная энтропия

Короткий адрес: https://sciup.org/146282933

IDR: 146282933   |   DOI: 10.15593/RZhBiomeh/2024.1.10

Список литературы Анализ временных рядов ЭЭГ пациентов с алкогольной зависимостью с помощью нейронных сетей

  • Мухамедов А.М., Леонов С.В., Поликанова И.С., Чертополохов В.А., Якушина А.А., Исаев А.В., Чернозубов Д.Я., Чаирез. И.О. Непараметрическая идентификация движений глаз спортсменов-борцов с применением дифференциальной нейронной сети // Российский журнал биомеханики. - 2023. -Т. 27, № 2. -С. 75-84
  • Патрикеев И.А., Крючков А.Н., Фрейнд Г.Г., Юрлов Р.А., Рец А.В. Применение вейвлет-фильтрации для оценки выраженности полиморфизма ядер клеток инвазивной протоковой карциномы молочных желез // Российский журнал биомеханики. - 2004. - Т 8, №4. - C. 91-96
  • Степанян И.В., Гроховский С.С., Савкин М.А. Выявление патобиомеханических маркеров статокинезиограмм на примере нейросетевой идентификации постинсультного состояния // Российский журнал биомеханики. - 2023, -Т. 27, № 1. - С. 98-108.
  • Anuragi A., Sisodia D.S. Empirical wavelet transform based automated alcoholism detecting using EEG signal features // Biomedical Signal Processing and Control. - 2020. - Vol. 57, no. 101777. DOI: 10.1016/j.bspc.2019.101777
  • Bavkar S., Iyer B., Deosarkar S. Detection of alcoholism: An EEG hybrid features and ensemble subspace K-NN based approach // Distributed Computing and Internet Technology: 15th International Conference, ICDCIT 2019, Bhubaneswar, India, January 10-13, - 2019, Proceedings 15. - Springer International Publishing, 2019. - P. 161-168. DOI: 10.1007/978-3-030-05366-6_13
  • Bhuvaneshwari M., Kanaga E.G.M. Convolutional neural network for addiction detection using improved activation function // 2021 5th International Conference on Computing Methodologies and Communication (ICCMC). - IEEE, 2021. - P. 996-1000. DOI: 10.1109/ICCMC51019.2021.9418022
  • Buriro A.B. Classification of alcoholic EEG signals using wavelet scattering transform-based features // Computers in Biology and Medicine. - 2021. - Vol. 139. - P. 104969. DOI: 10.1016/j.compbiomed.2021.104969
  • Costa M., Goldberger A. L., Peng C. K. Multiscale entropy analysis of biological signals // Physical review E. - 2005. -Vol. 71, no. 2. - P. 021906.
  • Faust O., Acharya R.U., Allen A.R., Lin C.M. Analysis of EEG signals during epileptic and alcoholic states using AR modeling techniques // IRBM. - 2008. - Vol. 29. - P 44-52. DOI: 10.1016/j.rbmret.2007.11.003
  • Fawzi A. Samulowitz H., Turaga D., Frossard P. Adaptive data augmentation for image classification // 2016 IEEE international conference on image processing (ICIP). - IEEE, 2016. - P. 3688-3692. DOI: 10.1109/ICIP.2016.7533048
  • Fayyaz A., Maqbool M., Saeed M. Classifying alcoholics and control patients using deep learning and peak visualization method // Proceedings of the 3rd International Conference on Vision, Image and Signal Processing. - 2019. - P. 1-6. DOI: 10.1145/3387168.3389119
  • Huang W., Xue Y., Hu L., Liuli H. S-EEGNet: Electroencephalogram signal classification based on a separable convolution neural network with bilinear interpolation // EEE Access. - 2020. - Vol. 8. - P. 131636131646. DOI: 10.1109/ACCESS.2020.3009665
  • Hur T., Bang J., Huynh-The T., Lee J., Kim J.-I., Lee, S., Iss2Image: A novel signal-encoding technique for CNN-based human activity recognition // Sensors. - 2018. -Vol. 18, no. 11. - P. 3910. DOI: 10.3390/s18113910
  • Jiajie L. Clinical decision support system for alcoholism detection using the analysis of EEG signals // IEEE Access. -2018. - Vol. 6. - P. 61457-61461. DOI: 10.1109/ACCESS.2018.2876135
  • Kantz H. A robust method to estimate the maximal Lyapunov exponent of a time series // Physics letters A. - 1994. -Vol. 185, no. 1. - P. 77-87.
  • Khan D.M. Yahya N., Kamel N., Faye I. Effective connectivity in default mode network for alcoholism diagnosis // IEEE Transactions on Neural Systems and Rehabilitation Engineering. - 2021. - Vol. 29. - P. 796-808.
  • Kim S., Chun H.W. Spatial and Contextual EEG Information Machine Learning for the Diagnosis of Brain Disease. -2017.
  • Kim S., Kim J., Chun H.W. Wave2vec: Vectorizing electroencephalography bio-signal for prediction of brain disease // International journal of environmental research and public health. - 2018. - Vol. 15, no. 8. - P. 1750. DOI: 10.3390/ijerph15081750
  • Krysko V.A. Papkova I.V., Saltykova O.A., Yakovleva T.V., Pavlov S.P., Zhigalov M.V., Petrov D. Yu., Krysko A.V. Visualization of amplitude-frequency characteristics of EEG of pathological and cognitive functions of the brain from a position of nonlinear dynamics // Journal of Physics: Conference Series. - IOP Publishing, 2019. - Vol. 1260, no. 7. - P. 072010. DOI: 10.1088/1742-6596/1260/7/072010
  • Kutepov I.E., Krysko A.V., Dobriyan V.V., Yakovleva T.V., Krylova E.Yu., Krysko V.A., Visualization of EEG signal entropy in schizophrenia // Scientific Visualization. - 2020. -Vol. 12, no. 1. - P. 1-9. DOI: 10.26583/sv.12.1.01
  • Kutepov I.E., Dobriyan V.V., Zhigalov M.V., Stepanov M.F., Krysko A.V., Yakovleva T.V., Krysko V.A., EEG analysis in patients with schizophrenia based on Lyapunov exponents // Informatics in medicine unlocked. - 2020. - Vol. 18. -P. 100289. DOI: 10.1016/j.imu.2020.100289
  • Lawhem V.J., Solon A.J., Waytowich N.R., Gordon S.M., Hung C.P., Lance B.J. EEGNet: a compact convolutional neural network for EEG-based brain-computer interfaces // Journal of neural engineering. - 2018. - Vol. 15, no. 5. -P. 056013. DOI: 10.48550/arXiv. 1611.08024
  • Lebedev M.A., Nicolelis M.A.L. Brain-machine interfaces: past, present and future // TRENDS in Neurosciences. - 2006. - Vol. 29, no. 9. - P. 536-546. DOI: 10.1016/j.tins.2006.07.004
  • Malar E., Gauthaam M. Wavelet analysis of EEG for the identification of alcoholics using probabilistic classifiers and neural networks // International Journal of Intelligence and Sustainable Computing. - 2020. - Vol. 1, no. 1. - P. 3-18. DOI: 10.1504/IJISC.2020. 104822
  • Mukhtar H., Qaisar S.M., Zaguia A. Deep convolutional neural network regularization for alcoholism detection using EEG signals // Sensors. - 2021. - Vol. 21, no. 16. - P. 5456. DOI: 10.3390/s21165456
  • Neeraj, Singhal V., Mathew J., Behera R.K. Detection of alcoholism using EEG signals and a CNN-LSTM-ATTN network // Computers in biology and medicine. - 2021. -Vol. 138. - P. 104940. DOI: 10.1016/j.compbiomed.2021. 104940
  • Rakhmatulin I. Python (deep learning and machine learning) for EEG signal processing on the example of recognizing the disease of alcoholism // arXiv preprint arXiv:2010.11667. -2020. DOI: 10.2139/ssrn.3717324
  • Rosenstein M.T., Collins J.J., De Luca C.J. A practical method for calculating largest Lyapunov exponents from small data sets // Physica D: Nonlinear Phenomena. - 1993. -Vol. 65, no. 1-2. - P. 117-134. DOI: 10.1016/0167-2789(93)90009-P.
  • Salankar N., Qaisar S.M., Plawiak P., Tadeusiewicz R., Hammad M., EEG based alcoholism detection by oscillatory modes decomposition second order difference plots and machine learning // Biocybernetics and Biomedical Engineering. - 2022. - Vol. 42, no. 1. - P. 173-186. DOI: 10.1016/j.bbe.2021.12.009
  • Sano M., Sawada Y. Measurement of the Lyapunov spectrum from a chaotic time series // Physical review letters. - 1985. -Vol. 55, no. 10. - P. 1082. DOI: 10.1103/PhysRevLett. 55.1082.
  • Siuly S. Bajaj V., Sengur A., Zhang Y. An advanced analysis system for identifying alcoholic brain state through EEG signals // International Journal of Automation and Computing. - 2019. - Vol. 16. - P. 737-747. DOI: 10.1007/s11633-019-1178-7
  • Wang F., Zhong Sh., Peng J., Jiang J., Liu Y. Data augmentation for EEG-based emotion recognition with deep convolutional neural networks // MultiMedia Modeling: 24th International Conference, MMM 2018, Bangkok, Thailand, February 5-7, 2018, Proceedings, Part II 24. – Springer International Publishing, 2018. - P. 82-93. DOI: 10.1007/978-3-319-73600-6_8
  • Wilaiprasitporn T., Ditthapron A., Matchaparn K., Tongbuasirilai T., Banluesombatkul N., Chuangsuwanich E. Affective EEG-based person identification using the deep learning approach // IEEE Transactions on Cognitive and Developmental Systems. - 2019. - Vol. 12, no. 3. -P. 486-496. DOI: 10.1109/TCDS.2019.2924648
  • Wolf A. Determining Lyapunov exponents from a time series // Physica D: nonlinear phenomena. - 1985. - Vol. 16, no. 3. - P. 285-317.
  • Wolpaw J.R. Birbaumer N., McFarland D.J., Pfurtscheller G., Vaughan T.M. Brain-computer interfaces for communication and control // Clinical Neurophysiology. - 2002. - Vol. 113, no. 6. - P. 767-791. DOI: 10.1016/S1388-2457(02)00057-3
  • Word health organization [Электронный ресурс]. - URL: https://www.who.int (дата обращения: 12.03.2024).
  • Yakovleva T.V. Awrejcewicz J., Kruzhilin V.S., Krysko V.A. On the chaotic and hyper-chaotic dynamics of nanobeams with low shear stiffness // Chaos: An Interdisciplinary Journal of Nonlinear Science. - 2021. - Vol. 31, no. 2. DOI: 10.1063/5.0032069
  • Yakovleva T.V., Awrejcewicz J., Krysko A.V., Krechin A.N., Krysko V.A., Quantifying chaotic dynamics of nanobeams with clearance // International Journal of Non-Linear Mechanics. - 2022. - Vol. 144. - P. 104094. DOI: 10.1016/j. ijnonlinmec.2022. 104094
  • Yakovleva T.V., Dobriyan V.V., Yaroshenko T.Y., Krysko-jr V.A. Mathematical Modeling and Diagnostics Using Neural Networks and a Genetic Algorithm for Epilepsy Patients. In: Badriev, I.B., Banderov, V., Lapin, S.A. (eds) Mesh Methods for Boundary-Value Problems and Applications. Lecture Notes in Computational Science and Engineering. - 2022. -Vol. 141. DOI: 10.1007/978-3-030-87809-2_42
  • Yakovleva T.V., Kutepov I.E., Karas A.Yu., Yakovlev N.M., Dobriyan V.V., Papkova I.V., Zhigalov M.V., Saltykova O.A., Krysko A.V., Yaroshenko T.Yu., Erofeev N.P., Krysko V.A. EEG Analysis in Structural Focal Epilepsy Using the Methods of Nonlinear Dynamics (Lyapunov Exponents, Lempel-Ziv Complexity, and Multiscale Entropy) // The Scientific World Journal. - 2020. - P. 8407872. DOI: 10.1155/2020/8407872
  • Yao Y., Plested J., Gedeon T. Information-preserving feature filter for short-term EEG signals // Neurocomputing. - 2020. - Vol. 408. - P. 91-99. DOI: 10.1016/j.neucom.2019.11.106.
  • Yukang L. EEG alcoholism classification based on BDNN // ABCs 2021 - 4th ANU Bio-inspired Computing conference. P. 175.
  • Zhang H., Silva F.H.S., Ohata E.F., Medeiros A.G. Reboufas F. Bi-dimensional approach based on transfer learning for alcoholism pre-disposition classification via EEG signals // Frontiers in Human Neuroscience. - 2020. - Vol. 14. - P. 365. DOI: 10.3389/fnhum.2020.00365
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp