基于内核的非线性多重学习用于基于EEG的功能连接分析和道选择,适用于阿尔茨海默病

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 医疗信息学 医疗信息学

背景情况:

• 电脑电图 (EEG) 分析对于理解神经系统疾病至关重要.
• 选择关键的EEG通道可以减少复杂性,提高诊断准确性.
• 功能连接 (FC) 措施对于基于EEG的诊断至关重要.

研究的目的:

• 为EEG功能连接分析和通道选择开发一个 (不) 类似性的通用测量.
• 应用基于内核的非线性多元学习来增强EEG通道选择.
• 研究阿尔茨海默病患者和健康对照人群之间的功能连接差异.

主要方法:

• 使用Isomap和高斯过程隐藏变量模型 (Isomap-GPLVM) 来学习EEG数据中的 (不) 相似性.
• 开发了一个新的内核 (不) 相似性矩阵作为线性和非线性FC的度量.
• 分析了来自健康对照组 (HC) 和阿尔茨海默病 (AD) 患者的EEG数据.

主要成果:

• 在AD患者与HC患者相比,在头和其他大脑区域之间的功能连接中发现了显著的差异.
• 证明了沿着前额-双肩区域的FC变化对AD诊断至关重要.
• 取得的分类结果与其他常见的FC措施相比较.

结论:

• 基于内核的非线性多元学习为EEG通道选择和FC分析提供了强大的方法.
• 提出的方法有效地区分AD患者和HC基于EEG功能连接.
• 这些发现与先前的神经成像研究一致,突出了EEG在特征阿尔茨海默病的有用性.