Detection of Alcohol Addiction from Brain Signals

Abstract

Poruchou způsobenou užíváním alkoholu (AUD) trpí mnoho lidí na celém světě. Stávající metody zjišťování závislosti na alkoholu se potýkají s problémy. Tato práce zkoumá vylepšený algoritmus detekce založený na datech elektroencefalogramu (EEG) a technikách strojového učení (ML). Tento výzkum využívá soukromou datovou sadu UTP-USM, která obsahuje záznamy EEG od osob s AUD a bez AUD, a to v podmínkách otevřených očí (EO) a zavřených očí (EC). Pro zachycení relevantní mozkové aktivity je extrahováno více funkcí. Při výběru příznaků jsou použity statistické metody t-testu a řazení LDA. Trénování a vyhodnocování modelu se provádí pomocí křížové validace. Klasifikátory vykazují slibné výsledky pro stav EC. Výkonnost je však nižší pro stav EO, pravděpodobně v důsledku zvýšeného šumu signálu. Tato zjištění naznačují, že ML modely založené na EEG mají potenciál pro detekci subjektů s AUD, a zdůrazňují důležitost předzpracování signálu a výběru příznaků.

A lot of people around the world suffer from alcohol use disorder (AUD). Existing detecting alcohol addiction methods face challenges. This work investigates an improved detection algorithm based on electroencephalogram (EEG) data and machine learning (ML) techniques. This research uses the private UTP-USM dataset that contains EEG recordings from individuals with and without AUD, in Eyes Open (EO) and Eyes Closed (EC) conditions. Multiple features are extracted to capture relevant brain activity. Statistical t-test and LDA ranking methods are used in feature selection. Model training and evaluation are performed with cross-validation. The classifiers show promising results for the EC condition. However, performance is lower for EO condition, likely due to the increased signal noise. These findings suggest that EEG-based ML models hold potential to detect subjects with AUD and highlight the importance of the signal preprocessing and feature selection.