用机器学习和拓数据分析检测轻度认知障碍,应用于EEG时间序列的面部情绪奇偶模式

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 轻度认知障碍 (MCI) 的诊断依赖于主观评估.
• 客观的神经生物标志物是早期和准确的痴呆症预后所需要的.
• 目前的诊断方法缺乏广泛,早期查的可访问性.

研究的目的:

• 开发一种用于早期MCI预后的新型数字神经生物标志物.
• 在EEG数据上利用拓数据分析 (TDA) 和机器学习 (ML).
• 探索人工智能在医疗保健中的社会利益,特别是痴呆症诊断.

主要方法:

• 将拓数据分析 (TDA) 应用于四通道EEG时间序列数据.
• 利用机器学习分类器,包括线性差异分析 (LDA),线性支持向量机 (SVM) 和深度完全连接的神经网络.
• 员工休假-一个-out-subject交叉验证,以进行可靠的绩效评估.

主要成果:

• 通过LDA.实现了超过85%的中位精度.
• 通过线性SVM和深度神经网络模型达到90%以上的准确性.
• 在健康的认知衰老和MCI阶段之间进行分类时表现出很高的表现.

结论:

• 开发的基于TDA的EEG方法显示出作为早期MCI的客观数字神经生物标志物的显著前景.
• 这种方法可以替代传统的主观认知测试.
• 这些发现支持可穿戴EEG和AI在未来的家用治疗点痴呆症诊断和监测中的应用.