ハイブリッド・フュージョン EEGNetv4とフェデラテッド・ラーニングによる,プライバシーを守る認知症の分類
Muhammad Umair1, Muhammad Shahbaz Khan2, Muhammad Hanif3
1School of Engineering, University of Southern Queensland, Toowoomba, QLD, Australia.
Frontiers in computational neuroscience
|September 3, 2025
まとめ
この研究は,脳波 (EEG) を用いた認知症の診断のための効率的なディープラーニングの枠組みを導入します. この方法は,データプライバシーを保ちながら高い精度を達成し,現実世界のアプリケーションに適しています.
科学分野:
- 神経学
- 生物医学工学
- 人工知能
背景:
- 平均寿命の伸びは,アルツハイマー病 (AD) と前頭葉性認知症 (FTD) を含む認知症の流行を増加させている.
- 電気脳図 (EEG) は 早期認知症を検出するための 非侵襲的で費用対効果の高い方法です
- 現在のEEG診断方法はデータ不足,主体間の変動性,プライバシーの懸念などの課題に直面しています.
研究 の 目的:
- 認知症の診断のための軽量でプライバシーを守るEEG分類の枠組みを開発する.
- ディープラーニングとフェデレーテッドラーニング (FL) を組み合わせて,効率的で安全なEEG分析を行う.
- EEGベースの認知症検出のための様々なコンボリューションニューラルネットワーク (CNN) のパフォーマンスを評価する.
主な方法:
- 静止状態のEEGデータセットで5つのCNN (EEGNetv1,EEGNetv4,EEGITNet,EEGInception,EEGInceptionERP) を評価した (88人の被験者).
- EEG信号の事前処理には,バンドパス (1〜45 Hz) とノッチフィルタリング,指数関数標準化,および4秒ウィンドウが含まれていた.
- プライバシー保護分析のための5つの階層化されたクライアントでFedAvgを使用したFederated Learning (FL) の実装.
主要な成果:
- EEGNetv4は,評価されたEEGに合わせたモデルの中で優れたパフォーマンスを示しました.
- EEGNetv4によるハイブリッド融合技術は,わずか1,609のパラメータと<1MBのメモリを使用して97.1%の精度を達成しました.
- ハイブリッド融合型EEGNetV4モデルによるFLの実装は96.9%の精度を達成し,データのプライバシーを確保しました.
結論:
- 提案された枠組みは,EEGベースの認知症診断のスケーラブルで,リソース効率的で,プライバシーに準拠しています.
- この研究は現実の臨床環境とエッジデバイスの導入に適したアプローチを確立しています.
- この研究は,既存のEEG診断法の主要な限界に対処し,より広範な採用への道を開きます.
