适应性门式图形卷积网络用于使用EEG数据解释性诊断阿尔茨海默病

科学领域:

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

背景情况:

• 脑电图 (EEG) 数据分析对于诊断神经系统疾病至关重要.
• 图形神经网络 (GNN) 对EEG分类有希望,但它们在阿尔茨海默病 (AD) 诊断中的应用尚未得到充分探索.
• 目前用于AD诊断的GNN方法通常使用基本架构和功能连接来进行图形推理.

研究的目的:

• 提出一种新的自适应门图卷积网络 (AGGCN),用于使用EEG数据进行阿尔茨海默病 (AD) 的解释性诊断.
• 开发一个GNN模型,以自适应的方式学习大脑图形结构并增强节点特征.
• 为了提高基于GNN的AD诊断的准确性和可解释性.

主要方法:

• 开发了一个自适应门图卷积网络 (AGGCN),集成基于卷积的节点特征增强和功率光谱密度相似性.
• 采用封闭图形卷积机制来动态调整不同空间尺度的贡献.
• 使用EEG数据进行训练和评估AGGCN模型在闭眼和眼条件下.

主要成果:

• 使用EEG数据,AGGCN模型实现了阿尔茨海默病 (AD) 的高诊断准确性.
• 该模型展示了稳定的学习表现,在闭眼和眼条件下表现良好.
• AGGCN为其预测提供了一致的解释,强调了AD相关的大脑网络潜在的改变.

结论:

• 拟议的AGGCN通过EEG为阿尔茨海默病 (AD) 诊断提供了一种强大而可解释的方法.
• 图形结构的自适应学习和空间尺度的动态加权有助于模型的高性能.
• AGGCN的可解释性特征促进了对AD的神经生物学基础的进一步研究.