یک چارچوب نوین ترکیبی مبتنی بر الگوریتم کلونی مورچگان (ACO) و درخت تصمیم (DT) برای انتخاب ویژگی بهینه در داده های EEG

تشخیص و دسته بندی دقیق الگوهای فعالیت مغزی از طریق تحلیل سیگنال های الکتروانسفالوگرافی (EEG) از اهمیت حیاتی در علوم اعصاب و تشخیص بالینی برخوردار است. با این حال داده های EEG دارای ابعاد بالا، نویز زیاد و وابستگی های زمانی مکانی پیچیده هستند که استخراج ویژگی های موثر و انتخاب زیرمجموعه بهینه از ویژگی ها را به یک چالش اساسی تبدیل می کند. این پژوهش یک چارچوب نوین ترکیبی مبتنی بر الگوریتم کلونی مورچگان (ACO) و درخت تصمیم (DT) را تحت عنوان DT-ACO برای انتخاب ویژگی بهینه در داده های EEG ارائه می دهد. در این مدل ACO به عنوان یک مکانیزم جستجوی فراابتکاری برای پیمایش فضای بزرگ زیرمجموعه های ویژگی به کار گرفته می شود در حالی که درخت تصمیم به عنوان تابع ارزیابی کننده (Function Fitness) برای سنجش کیفیت زیرمجموعه های انتخاب شده عمل می کند. این ترکیب با هدف دستیابی به حداکثر دقت طبقه بندی با کمترین تعداد ویژگی ممکن طراحی شده است. تنظیمات پارامتریک و آزمایش های گسترده بر روی دیتاست های استاندارد EEG (مانند تشخیص وضعیت خواب یا فعالیت شناختی) نشان می دهد که مدل پیشنهادی DT-ACO نه تنها از نظر دقت طبقه بندی، عملکرد بهتری نسبت به روش های سنتی دارد بلکه پایداری و قابلیت تعمیم بالاتری را نیز در برابر داده های نویزی ارائه می دهد. تحلیل های آماری تاییدی مانند آزمون T (زوجی) برتری قابل ملاحظه ای را در عملکرد مدل ترکیبی در مقایسه با روش های مبتنی بر فیلتر و Wrapper صرف نشان دادند.

کلیدواژه ها:

الکتروانسفالوگرافی (EEG) ، انتخاب ویژگی ، الگوریتم کلونی مورچگان (ACO) ، درخت تصمیم (DT) ، دسته بندی داده ها ، یادگیری ماشین