在酒精中毒检测中，利用元启发式算法结合最优小波变换进行脑电图（EEG）通道选择

摘要

酒精依赖症，即习惯性和过量摄入酒精饮料的行为，是一种对当代社会构成严重挑战的疾病；然而，目前尚缺乏被广泛认可的检查方法或检测协议。传统的主观检测方法耗时且容易出错。脑电图（EEG）通过分析大脑的电活动来检测酒精依赖症。本文提出了一种基于元启发式算法（MHAs）的特征选择方法，用于优化EEG信号的处理。该算法使用一种新颖的最优小波滤波器组（OWFB）将EEG信号分解为多个子带，每个子带通过四个特征进行表征：平均值、Higuchi分形维数、对数熵和Rényi熵。通过结合四种MHAs的特征，对最优子带进行了研究，并构建了六个分类模型。实验使用了公开可用的包含酒精和非酒精信号的64通道EEG数据集。在所有评估的组合中，Sparrow搜索算法与k最近邻（KNN）分类器的组合实现了最高的准确率（95.90%）和F1分数（96.80%），这一结果与使用所有EEG通道时的性能（准确率96.30%，F1分数96.83%）相当。总体而言，KNN分类器的表现始终优于其他方法，表明最优通道选择能够在保持高检测准确率的同时有效减少通道冗余。与现有的酒精依赖症检测方法相比，这种最优通道选择方法提升了机器学习模型的性能并缩短了计算时间。相关Python实现代码可访问：https://github.com/pramodkachare/EEG_Optimal_Wavelet_MHA。