💻 informatica

Hybrid Optuna and Q Learning for Adaptive Hyperparameter Optimization in EEG Seizure Classification

Dit artikel stelt een hybride raamwerk voor dat Optuna en Q-learning combineert om adaptief hyperparameters te optimaliseren in een GRU–HiBERT–MLP-model voor EEG-epilepsieclassificatie, waarbij 93,10% nauwkeurigheid en verbeterde convergentiestabiliteit worden bereikt, terwijl SHAP en LIME worden geïntegreerd voor uitlegbare klinische besluitvormingsondersteuning.

Oorspronkelijke auteurs: Upendra Kumar Swain, Shreela Dash, Asit Kumar Das

Gepubliceerd 2026-11-06

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Upendra Kumar Swain, Shreela Dash, Asit Kumar Das

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het menselijk brein is een uitgestrekt netwerk van elektrische signalen, die constant patronen afvuren die alles dicteren, van een gedachte tot een beweging. Wanneer deze elektrische activiteit chaotisch en ongecontroleerd wordt, kan dit leiden tot epilepsie, een aandoening waarbij plotselinge aanvallen het leven van een persoon verstoren. Om deze gebeurtenissen te begrijpen en te beheersen, vertrouwen artsen op elektro-encefalografie, of EEG, een niet-invasieve methode waarbij sensoren op de hoofdhuid worden geplaatst om het elektrische ritme van de hersenen te registragen. De uitdaging ligt in de enorme complexiteit van deze signalen; ze zijn ruisachtig, veranderen snel en variëren enorm van persoon tot persoon. Decennialang hebben onderzoekers geprobeerd computerprogramma's te gebruiken om automatisch het verschil te spotten tussen een brein dat op het punt staat een aanval te krijgen en een brein dat er momenteel een heeft. Hoewel moderne kunstmatige intelligentie grote stappen heeft gezet in het lezen van deze signalen, zijn de computers zelf vaak veeleisend. Hun vermogen om te leren hangt sterk af van een reeks interne instellingen, vergelijkbaar met de draaiknoppen op een complexe radio. Als deze knoppen niet in de exacte juiste positie staan, kan de computer een aanval missen of een vals alarm geven. Het vinden van de perfecte combinatie van deze instellingen is moeilijk omdat er zo veel van zijn, en het testen van elke mogelijkheid kost een enorme hoeveelheid tijd en rekenkracht.

In een nieuwe studie hebben onderzoekers van Silicon University en SRM University een slimmere manier ontwikkeld om deze instellingen af te stemmen, met als doel de detectie van aanvallen betrouwbaarder te maken. Ze richtten zich op een specifiek type architectuur voor kunstmatige intelligentie dat verschillende leermethoden combineert om EEG-gegevens te analyseren. In plaats van de computer willekeurig de beste instellingen te laten raden of te vertrouwen op één enkele methode om ze te vinden, creëerde het team een hybride systeem dat twee verschillende benaderingen mengt. De ene benadering is een statistische methode die de zoektocht naar goede instellingen efficiënt verkleint, terwijl de andere een leermethode is die haar strategie aanpast op basis van eerdere successen en mislukkingen. Door deze twee methoden samen te laten werken, creëerden de onderzoekers een systeem dat de complexe landschappen van instellingen effectiever kan navigeren dan de afzonderlijke methoden alleen.

Het team testte hun nieuwe systeem met behulp van een grote collectie opgenomen hersengolven van kinderen met epilepsie, een dataset die een standaardbron is voor dit type onderzoek. Ze reinigden eerst de ruwe signalen en braken deze af in specifieke tijd-frequentiecomponenten, wat in feite de rommelige elektrische ruis vertaalde naar een format dat de computer duidelijk kon begrijpen. Vervolgens voedden ze deze gegevens in hun op maat gemaakte hersenmodel, dat lagen van verwerking gebruikt om patronen te identificeren die geassocieerd zijn met de momenten vlak voor een aanval en de momenten tijdens een aanval. De kern van hun innovatie was de hybride optimizer, die fungeerde als een gids voor het model. Terwijl het model trainde, paste deze gids de interne knoppen voortdurend aan, waarbij het leerde welke aanpassingen leidden tot betere resultaten en welke tot doodlopende wegen.

De resultaten toonden aan dat deze gecombineerde aanpak aanzienlijk effectiever was dan het gebruik van een van beide methoden in isolatie. Het hybride systeem bereikte een classificatienauwkeurigheid van 93,10%, wat betekent dat het de staat van de hersenen in meer dan negen van de tien gevallen correct identificeerde. Het produceerde ook een score van 0,9774 op een schaal die meet hoe goed het systeem de twee toestanden kan onderscheiden, een cijfer dat de prestaties van de afzonderlijke methoden overtrof. Naast alleen de definitieve cijfers observeerde de studie dat het hybride systeem sneller leerde en de beste instellingen stabieler vond. De afzonderlijke methoden wankelden vaak, deden er langer over om een stabiele oplossing te vinden of bleven steken in minder optimale configuraties. Het nieuwe systeem bewoog daarentegen met meer snelheid en consistentie richting de beste oplossing.

Om er zeker van te zijn dat de computer niet simpelweg correct gokte door toeval, keken de onderzoekers ook in het model om te zien waar het op lette. Met behulp van instrumenten ontworpen om kunstmatige intelligentie transparant te maken, identificeerden zij welke delen van de hersensignalen het meest invloedrijk waren in de uiteindelijke beslissing. Deze instrumenten bevestigden dat het model zich richtte op betekenisvolle patronen in de data in plaats van op willekeurige ruis. Deze stap is cruciaal voor medische toepassingen, aangezien artsen moeten kunnen vertrouwen op het feit dat een diagnose van een computer gebaseerd is op echt fysiologisch bewijs. De studie vond dat de beslissingen van het model inderdaad werden gedreven door significante signaleigenschappen, wat de voorspellingen geloofwaardigheid gaf.

De onderzoekers erkennen dat hoewel hun systeem goed presteerde op de specifieke dataset die ze gebruikten, het nog niet is getest op een grotere verscheidenheid aan patiënten of in een klinische setting in realtime. Het huidige werk is een proof of concept die aantoont dat het combineren van verschillende optimalisatiestrategieën het potentieel heeft om te verbeteren hoe machines leren van hersensignalen. Ze suggereren dat toekomstig werk het testen van het systeem op grotere, meer diverse groepen mensen kan omvatten en het verfijnen van het proces om snel genoeg te draaien voor realtime monitoring. Voor nu biedt de studie een veelbelovend pad vooruit, waarbij wordt aangetoond dat door kunstmatige intelligentie adaptiever te leren, we tools kunnen bouwen die beter in staat zijn om de complexiteit van epilepsie te beheersen.

Technische Samenvatting: Hybride Optuna en Q-Learning voor Adaptieve Hyperparameteroptimalisatie in EEG-seizure Classificatie

Probleemstelling
Classificatie van epileptische aanvallen (seizures) met behulp van elektro-encefalogram (EEG) signalen is cruciaal voor automatische neurologische diagnose. Hoewel deep learning-modellen (zoals CNN's, LSTM's en Transformers) de prestaties hebben verbeterd, is hun effectiviteit sterk afhankelijk van de efficiënte selectie van hyperparameters (bijv. leersnelheden, verborgen eenheden, attention heads). Bestaande kaders, met name die gebruikmaken van Bayesiaanse optimalisatie (Optuna) met GRU–HiBERT–MLP architecturen, kampen vaak met beperkingen wat betreft adaptief zoekgedrag, convergentiestabiliteit en de balans tussen exploratie en exploitatie in hoogdimensionale zoekruimtes. Daartegenover kunnen standalone Reinforcement Learning (RL) benaderingen een tragere convergentie vertonen. Dit artikel adresseert de behoefte aan een robuustere optimalisatiestrategie die de probabilistische efficiëntie van Bayesiaanse methoden combineert met de adaptieve besluitvormingscapaciteiten van RL om de EEG-seizure classificatie te verbeteren.

Methodologie
Het voorgestelde kader integreert een Hybride Optuna–Q Learning optimalisatiestrategie met een GRU–HiBERT–MLP classificatiearchitectuur.

Data Preprocessing:
- De studie maakt gebruik van de Preprocessed CHB-MIT Scalp EEG Database, bestaande uit opnames van 24 pediatrische patiënten.
- Signalen worden gesegmenteerd in preictale en ictale staten.
- Discrete Wavelet Transform (DWT) met Daubechies wavelets (db4) wordt toegepast om tijd-frequentiekenmerken te extraheren, waarbij rekening wordt gehouden met het niet-stationaire karakter van EEG.
- Kenmerken worden gestandaardiseerd met StandardScaler en geherstructureerd voor sequentiële verwerking.
Classificatiearchitectuur (GRU–HiBERT–MLP):
- GRU Laag: Legt temporele afhankelijkheden in multichannel EEG-signalen vast.
- HiBERT (Transformer) Blok: Past multi-head self-attention mechanismen toe voor contextuele representatie-lering.
- MLP Laag: Volledig verbonden dense lagen met dropout regularisatie voor binaire classificatie (preictal vs. ictal).
Hybride Optimalisatiekader:
- Optuna (Bayesiaans): Gebruikt Tree-structured Parzen Estimators (TPE) om hyperparameterconfiguraties ( $\theta$ ) probabilistisch te samplen op basis van historische observaties.
- Q-Learning (Reinforcement Learning): Een agent stuurt het zoekproces dynamisch aan.
  - Toestand ( $s_t$ ): Huidige optimalisatieconditie.
  - Actie ( $a_t$ ): Adaptieve hyperparameter verfijningsstrategieën.
  - Beloning ( $r_t$ ): Berekend als de verbetering in validatie-accuratesse ( $Acc_t - Acc_{t-1}$ ).
- Integratie: De Q-learning agent werkt zijn Q-tabel bij met behulp van temporal difference learning om de zoekbegeleiding te verfijnen. Het stuurt de Optuna-zoektocht adaptief naar veelbelovende regio's, wat voortijdige convergentie mitigeert en de stabiliteit verbetert.

Belangrijkste Bijdragen

Hybride Optimalisatiekader: Stelt een nieuwe integratie voor van Bayesiaanse optimalisatie (Optuna) en Reinforcement Learning (Q-learning) om de efficiëntie van hyperparameterinstelling en de convergentiestabiliteit voor diepe EEG-modellen te verbeteren.
Architecturale Toepassing: Implementeert een GRU–HiBERT–MLP architectuur die geoptimaliseerd is door het hybride kader voor preictale en ictale classificatie met behulp van wavelet-getransformeerde kenmerken.
Vergelijkende Validatie: Demonstreert via ablatie-studies dat de hybride aanpak standalone Optuna en standalone Q-learning strategieën overtreft in nauwkeurigheid, ROC-AUC en convergentiesnelheid.
Verklaarbaarheid: Integreert LIME technieken om invloedrijke EEG-kenmerken te identificeren, wat de transparantie en klinische interpreteerbaarheid van de modelvoorspellingen vergroot.

Experimentele Resultaten
Experimenten werden uitgevoerd op de CHB-MIT dataset met een 80:20 train-test split. Het voorgestelde kader behaalde de volgende resultaten vergeleken met baseline methoden:

Classificatie Nauwkeurigheid: 93,10% (vs. 92,00% voor Optuna-alleen en 91,51% voor Q-learning alleen).
ROC-AUC Score: 0,9774 (vs. 0,9710 voor Optuna-alleen).
Convergentiegedrag: Het hybride model vertoonde snellere convergentie en grotere stabiliteit over de trials, met gladdere training/validatie loss-curves en een kleinere kloof tussen hen vergeleken met standalone methoden.
Verwarringsmatrix (Confusion Matrix): Toonde een significante vermindering van fout-negatieven, een cruciale metriek voor medische veiligheid bij seizure detectie.
Optimale Hyperparameters: Het kader identificeerde specifieke optimale waarden, waaronder 192 GRU eenheden, 2 attention heads, een feed-forward dimensie van 256, en een leersnelheid van $1,02 \times 10^{-4}$ .

Betekenis en Claims
Het artikel claimt dat de integratie van reinforcement learning-gebaseerde adaptieve exploratie met Bayesiaanse hyperparameteroptimalisatie een superieure strategie biedt voor het navigeren door complexe, hoogdimensionale zoekruimtes in diepe EEG-classificatie. De auteurs stellen dat deze hybride aanpak effectief de balans tussen exploratie en exploitatie handhaaft, wat leidt tot:

Verbeterde Stabiliteit: Verminderde gevoeligheid voor hyperparameter fluctuaties en een stabielere convergentie.
Verbeterde Klinische Nut: Hogere nauwkeurigheid en lagere fout-negatief ratio's maken het systeem betrouwbaarder voor automatische seizure detectie en monitoring.
Interpreteerbaarheid: Het gebruik van LIME zorgt ervoor dat de beslissingen van het model verklaarbaar zijn, wat essentieel is voor klinische besluitvormingssystemen.

Beperkingen en Toekomstig Werk
De auteurs erkennen dat de studie momenteel beperkt is tot de Preprocessed CHB-MIT database en binaire classificatie (preictal vs. ictal). Zij merken op dat de hybride aanpak een verhoogde computationele complexiteit introduceert. Toekomstig werk wordt voorgesteld om het kader te valideren op grotere, multi-center datasets, het uit te breiden naar multi-class seizure analyse, en lichtgewicht optimalisatietechnieken te verkennen voor real-time implementatie.

Meer zoals dit