基于脑电与群体感应混合优化模型的帕金森病神经动力学特征筛选研究

本文提出一种融合群体感应优化（HQSO）与深度学习的新型特征选择策略，通过多阶段混合算法（元启发式探索+统计精炼+相关性剪枝）显著提升帕金森病（PD）脑电（EEG）检测效能。该方法在San Diego数据集达到98.09%准确率，特征维度降低60%，为可穿戴EEG监测系统提供高效解决方案。

　　

亮点

本研究显著推进了基于脑电图（EEG）的帕金森病（PD）检测领域发展，提出了一种深度融合深度学习与新颖多阶段特征选择策略的框架。单一策略的特征选择方法通常只关注特征的某个维度，可能无法充分利用多维特征的丰富性，从而限制所有特征对检测任务的重要性。

相关研究

特征选择对于提升PD检测系统性能至关重要，特别是在处理高维数据时。仿生优化技术已被证明是解决这一问题的有效工具，能够以较低计算开销找到最显著的特征。一项比较研究[34]探讨了此类自然启发元启发式算法在PD检测优化中的应用及其与开发优化检测系统的相关性。

方法

本研究使用两个知名公开数据集：新墨西哥大学（UNM）[50]数据集和圣迭戈（SD）[51]数据集。本质为时间序列信号的EEG数据通过S变换、短时傅里叶变换（STFT）和连续小波变换（CWT）转换为EEG图像。这些图像随后用作图4所示特征提取模型的输入，以研究检测PD的最佳变换方法。

结果

为选择最有效的PD检测时频分析技术，进行了一项比较S变换的实验。比较结果如表1所示。可以看出，S变换的性能优于STFT和CWT。因此，选择S变换作为时频转换方法。虽然时频表示结合基于卷积神经网络（CNN）的特征提取能提供高精度，但由于生成的高维特征，它们需要更多的计算资源。

讨论

表7中的比较分析详细概述了在SD和UNM数据集上评估的最新PD检测模型。它强调了现有方法的优势与局限性，同时确立了所提出的基于混合群体感应优化（QSO）和CNN特征学习方法鲁棒性。

结论

本研究提出了一种新颖的多阶段混合群体感应特征优化算法，用于帕金森病检测的最佳特征选择和性能评估。来自两个知名数据集的EEG信号被转换为S变换的EEG图像，并使用卷积网络提取特征。这些特征随后在第一阶段使用一种称为群体感应优化（QSO）的仿生优化算法进行缩减。