一个集体学习模型用于基于静止状态EEG的持续认知评估
Jingnan Sun1, Yike Sun1, Anruo Shen1,2
1Department of Biomedical Engineering, Tsinghua University, 100084, Beijing, China.
npj aging
|January 3, 2024
概括
这项研究开发了一种新的静止状态脑电图 (EEG) 模型来评估认知衰退,为传统尺度提供了更客观,更可靠的替代方案. 该模型在不同患者群体中实现了高精度,为改进诊断和治疗铺平了道路.
科学领域:
- 神经科学是一个神经科学.
- 医疗技术 医疗技术 医学技术
- 生物医学工程 生物医学工程
背景情况:
- 认知能力下降是一个关键的神经问题,原因多种多样,包括衰老,脑血管疾病,阿尔茨海默病和创伤.
- 目前的认知评估方法,主要是尺度,患有临床主观性和不一致的结果,需要更客观的评估工具.
研究的目的:
- 开发和验证一种使用静止电脑图 (EEG) 的认知评估模型,以便更科学,更强大的认知水平评估.
- 建立适用于大样本数据集的认知衰退持续评估模型,并证明其跨设备可用性.
主要方法:
- 从75名健康受试者,99名轻度认知障碍 (MCI) 患者和78名痴呆症患者收集了静止状态EEG信号.
- 通过将EEG数据与传统尺度结果相关联,使用自适应提升 (AdaBoost) 和支持矢量机器 (SVM) 训练了一种认知评估模型.
- 使用大量数据集与多种记录设备验证了模型的性能,以确保跨设备可用性.
主要成果:
- 开发的基于EEG的模型准确地将受试者的认知水平映射到0-100的测试得分,平均误差为4.82 (<5%).
- 证明了跨设备的可用性,表明了拟议的认知评估EEG模型的普遍性和稳定性.
- 该模型提供了认知衰退的持续评估,这是大规模数据集的首次.
结论:
- 静止状态EEG提供了一种可靠且负担得起的方法来评估认知衰退,适合临床诊断和治疗监测.
- EEG特征的可解释性为早期诊断和阿尔茨海默氏症等神经退行性疾病的优质治疗评估提供了潜力.
- 这项研究建立了一个强大的,连续的,跨设备兼容的EEG模型用于认知评估,解决传统方法的局限性.
