论文部分内容阅读
大脑会随着年龄的增长而出现功能衰退。本文探索了不同年龄层次的大脑特征差异,为此,十八个受试者被挑选用于决策(DM)实验,其中年轻人(20-30岁)和老年人(大于45岁)各八个。在DM实验过程中,受试者做出的决策反应所产生的脑电波(EEG)信号将被完全记录下来。为了更好地区分年轻人和老年人的脑电波信号特征的差异,首先,我们提出了两种不同的脑电波信号特征提取方法,分别是beta波特征提取和改进的功率谱熵特征提取方法。我们发现改进的特征提取方法更能表征年轻人和老年人的脑电波的大脑年龄特征。不仅如此,基于beta波特征提取方法,我们发现相比于delta波、theta波和alpha波,beta波在年轻人和老年人参与决策的过程中占主导作用;而改进的功率谱熵特征提取方法,我们进一步发现年轻人的功率谱熵分布要明显大于老年人,其结果表明了年轻人的大脑在决策过程中所产生的信息量要高于老年人。其次,几种机器学习分类算法被应用于进一步区分年轻人和老年人的脑电波信号,其中包括支持向量机(SVM)、随机森林(RF)和核极限学习机(KELM)用于beta特征数据集的分类,而Logistic回归(LR)、SVM、RF和XGBoost用于功率谱熵特征数据集的分类。基于beta特征数据的结果表明,KELM模型更能区分其脑电波信号,并且最高精度达到了 81.08%。此外,通过Gini指数计算beta数据集的特征重要性,结果发现处于大脑中央位置的C3特征在分类beta数据集时起到至关重要的作用。在C3特征处,模型更容易地区分年轻人和老年人的脑电波信号;基于功率谱熵特征数据的结果表明,XGBoost模型更能区分其脑电波信号,并且最高精度达到了 91%。相比于基于beta特征数据要高出9.92%之多。因此,结果发现功率谱熵更能表征年轻人和老年人的脑电波信号的特征差异和,并且XGBoost在区分大脑年龄信号时有很好的泛化能力和鲁棒性。此外,XGBoost的增益指标用于功率谱熵特征数据集的特征重要性排序,结果发现同样在C3特征处年轻人和老年人的特征差异最大。最后,通过分析两个数据集的前六个最重要特征,结果表明,在大脑的中央区域和颞区域年轻人和老年人的脑电波差异最为明显。因此,功率谱熵特征提取方法和XGBoost模型更适合用于脑电波大脑年龄诊断。通过机器学习算法分析大脑数据,我们可以分析老年人的年龄,预防大脑亚健康,并且通过功率谱熵分析大脑EEG数据,我们发现老年大脑需要更多的信息输入来延缓大脑衰老。