EEG Classification to Food Stimuli in Diverse Weight Groups with Regression Analysis of Eating Behavior Questionnaires
Notice bibliographique
Résumé
Obesity and overweight are well-documented risk factors for numerous diseases that negatively impact life expectancy and quality of life, including cardiovascular diseases, diabetes, and cancer.Although the effects of weight status on brain function have been extensively studied, the application of machine learning (ML) and deep learning (DL) techniques in this domain remains underexplored.This study aims to address this gap by creating a unique dataset comprising electroencephalography (EEG) data from 19 channels, recorded while participants with varying body mass indices were exposed to visual food cues.The primary objective was to classify the differences in brain signals between normalweight and overweight/obese individuals using advanced DL methods.To mitigate overfitting and data imbalance, tabular data augmentation was employed.Additionally, the Supervised Tabular Meta-Learning (SuperTML) method was utilized to embed EEG features into images, marking a novel application for this type of data.Classification results indicate that DenseNet-121 achieved the highest accuracy, with a rate of 0.97 at channel T4.Regionally, the temporal area yielded the best average accuracy rates.Furthermore, the study investigated the correlation between EEG data and eating behavior through regression analysis, applying Random Forest, eXtreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), and Voting ensemble regression models to the participants' questionnaire responses.A significant relationship between EEG data and the questionnaires was identified, with the LightGBM regressor achieving an R² value of 0.966.These findings demonstrate superior performance compared to existing literature in several aspects.This study underscores the potential of DL in enhancing our understanding of the neural mechanisms underlying eating behaviors in individuals with different body weights and provides a robust methodological framework for future research in this field.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».