从单通道EEG数据使用回归分析监测轻度认知障碍的疾病严重程度
Saleha Khatun1, Bashir I Morshed2, Gavin M Bidelman3
1Department of Electrical and Computer Engineering, University of Memphis, Memphis, TN 38152, USA.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
这项研究引入了一种使用电脑电图 (EEG) 的自动化算法来评估轻度认知障碍 (MCI) 的严重程度,为手动评分提供了替代方案. 这种新的方法准确地产生了与MoCA可比的得分,有助于早期发现认知能力下降.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 医疗信息学 医疗信息学
背景情况:
- 轻度认知障碍 (MCI) 是认知健康的下降,需要早期监测,以防止发展为痴呆症,阿尔茨海默病 (AD) 和帕金森病 (PD).
- 目前的MCI严重性评估依赖于使用蒙特利尔认知评估 (MoCA) 的手动评分,这可能是耗时和主观的.
研究的目的:
- 开发和评估使用单通道脑电图 (EEG) 数据进行自动化MCI严重性评分的新型算法.
- 创建与MoCA分数相当的自动化严重性得分,使认知健康的监测更加有效和客观.
主要方法:
- 从事件相关潜力 (ERP) 点和多试验EEG数据的时间域特征中提取特征.
- 拉索回归用于特征选择,其次是多变量回归 (MR),集合回归 (ER),支向量回归 (SVR) 和回归 (RR).
- 开发一个卷积深度神经网络 (CNN) 模型,用于使用时间频率图像进行单试分析.
主要成果:
- 集合回归 (ER) 在多试验分析中获得了最佳性能,根平均平方误差 (RMSE) 为1.6.
- 一次试验的CNN模型显示RMSE为2.76.
- 这项研究是首次尝试从单通道EEG数据中自动化MoCA等效的MCI严重性评分,使用多试验和单试验分析.
结论:
- 拟议的自动化算法有效地使用单通道EEG数据估计MCI严重程度.
- 使用集体回归的多试验分析显示了客观和高效的MCI监测有希望的结果.
- 这种方法在早期发现和管理认知障碍方面提供了潜在的进步.
