通过深度学习检测睡眠脑电图的轻度认知障碍,用于帕金森病患者

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 帕金森病 (PD) 是一种流行的神经退行性疾病.
• 病发症可以发展为轻度认知障碍 (MCI) 和痴呆症.
• 在PD中早期发现MCI对于及时干预和改善患者结果至关重要.

研究的目的:

• 开发深度学习方法来检测帕金森病患者的MCI,使用睡眠脑电图 (EEG).
• 在睡眠EEG信号中识别MCI的歧视性生物标志物.
• 为了比较不同信号处理技术与深度学习相结合的有效性.

主要方法:

• 来自帕金森病患者的睡眠EEG数据被细分为睡眠阶段.
• 使用连续波形变换 (CWT) 和变化模式分解 (VMD) 来生成时间频率表示.
• 新型卷积神经网络 (CNN) 应用于这些表示,并使用梯度加权类激活映射 (Grad-CAM) 进行特征可视化.

主要成果:

• 基于VDD的深度学习模型实现了卓越的性能,精度,灵敏度,特异性,AUC和Kappa分数超过99%.
• 基于CWT的模型实现了92%以上的性能.
• 在PD中MCI的歧视性特征被确定为睡眠阶段中中高频VMD组件的变化.

结论:

• 深度学习模型,特别是VMD与CNN相结合,在从睡眠EEG检测帕金森病中MCI时显示出高准确性.
• 基于VMD的方法提供了一个精确的计算机辅助诊断工具,用于监测PD的进展.
• 识别与MCI相关的特定EEG特征可以有助于了解疾病机制.