多功能融合学习用于使用静止状态EEG信号预测阿尔茨海默病

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 使用脑电图 (EEG) 信号诊断阿尔茨海默病 (AD) 是一个挑战,因为复杂和杂的数据.
• 卷积神经网络 (CNN) 难以从EEG中提取有意义的损伤信号,而视觉转换器 (ViT) 在捕获全球模式方面表现出色.

研究的目的:

• 开发一种增强的深度学习方法,以改善AD风险评估.
• 利用CNN和ViT的互补优势,以更准确的基于EEG的AD预测.

主要方法:

• 提出了一个新的双分支特征融合网络 (DBN),集成CNN和ViT组件.
• 整合了空间注意力 (SA) 和频道注意力 (CA) 块,以增强特征歧视.
• 采用了双因素决策机制,结合了EEG信号一致性和迷你心理状态检查 (MMSE) 的分数.

主要成果:

• 在区分阿尔茨海默氏症,前性痴呆症 (FTD) 和正常控制 (NC) 试验对象方面,DBN实现了80.23%的分类准确性.
• 该方法与现有的基于EEG的最先进的AD预测技术相比,表现优越.
• 启用了在病理图像中突出区域的可视化,以便更好地解释AD预测.

结论:

• 拟议的混合CNN-ViT架构有效地从EEG信号中提取关键特征,用于AD预测.
• DBN模型在早期和准确诊断阿尔茨海默病方面提供了有前途的进展.
• 这种方法为AD评估中的EEG数据的临床解释和分析提供了宝贵的见解.