Enhanced classification of tinnitus patients using EEG microstates and deep learning techniques
Notice bibliographique
Résumé
This study aims to deepen the understanding and classification of tinnitus through a comprehensive analysis of EEG signals utilizing innovative microstate analysis techniques and cutting-edge machine learning approaches. EEG data were collected from two datasets: a primary dataset with 36 participants (16 healthy, 20 tinnitus) and a public dataset with 37 participants (15 healthy, 22 tinnitus). Signals were decomposed into five frequency bands (delta, theta, alpha, beta, gamma) using Daubechies 4 wavelet at five decomposition levels. Microstate features (Duration, Occurrence, Mean Global Field Power, and Coverage) were extracted across four microstate configurations (4-state to 7-state) under both eyes-closed and eyes-open conditions. Classification was performed using SVM, Decision Tree, Random Forest, and Deep Neural Networks. Additionally, pre-trained models (VGG16, ResNet50, Xception) were used with a novel feature-to-image transformation approach for validation. Analysis revealed significant alterations in beta band microstates, with microstate A showing increased duration (+ 7.8% to + 11.2%) and microstate B showing decreased duration (- 9.0% to - 13.8%) in tinnitus patients. Occurrence rates were markedly elevated (~ 28-29% higher) in the tinnitus group. Transition probability analysis identified distinctive patterns between groups, with the most pronounced differences observed in gamma band (6-state configuration) during eyes-closed condition (healthy: F → B = 0.143; tinnitus: C → D = 0.153) and beta band (7-state configuration) also during eyes-closed condition (healthy: E → A = 0.091; tinnitus: C → E = 0.082). In the eyes-open condition, gamma band with 7 microstates showed substantial differences in transition patterns (healthy: E → A = 0.149; tinnitus: C → G = 0.157). Classification performance was exceptional, with DNN achieving 100% accuracy in the gamma frequency band during eyes-open condition with 5-state configuration. Frequency band analysis demonstrated that gamma band performed best for open eyes (99.89% accuracy) and beta band excelled for closed eyes (96.46% accuracy). Validation with pre-trained models showed ResNet50 with SVM classifier using 6-state configurations provided optimal discrimination (100% accuracy). EEG microstate dynamics in beta and gamma bands serve as reliable markers for distinguishing tinnitus patients. These findings provide insights into tinnitus-related neural alterations and highlight microstate analysis as a potential objective diagnostic tool for guiding personalized neuromodulation therapies.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
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 ».