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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».