基于灵长类大脑模式的自动化阿尔茨海默病检测模型使用EEG信号

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病.
• 早期发现AD对于有效管理至关重要.
• 脑电图 (EEG) 显示了早期识别AD相关大脑变化的潜力.

研究的目的:

• 开发一种自动化模型,用于使用EEG信号早期检测阿尔茨海默病.
• 为了利用灵感来自灵长类大脑模式 (PBP) 的新型定向图形方法来提取特征.
• 评估该模型在区分AD患者与健康对照中的分类性能.

主要方法:

• 基于灵长类大脑连接体拓学的新型定向图被用于从EEG信号中提取局部纹理特征.
• 一个可调的q因子波波变换与PBP模型相结合,创建了一个多级特征提取器.
• 代邻近组件分析选择了歧视性特征,这些特征被输入加权的k-最近邻居 (KNN) 分类器.
• 使用LOSO和十倍交叉验证进行绩效评估.

主要成果:

• 基于PBP的模型与波形变换相结合,产生了一组丰富的8,512个特征每一个EEG信号.
• 该模型通过十倍交叉验证实现了100%的准确性,并通过AD与健康分类的LOSO交叉验证实现了92.01%的准确性.
• 无论是道级还是主题级的结果都显示出了优秀的分类性能.

结论:

• 开发的基于多层PBP的模型有效地从EEG信号中提取了用于阿尔茨海默病检测的歧视特征.
• 这种方法对开发先进的,以大脑为灵感的诊断工具具有重大前景.
• 这些发现为未来研究神经退行性疾病诊断的连接体灵感模型铺平了道路.