通过卷积神经网络在医院间检测中度和晚期阿尔茨海默病

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 电脑电图 (EEG) 是确定神经疾病的关键工具.
• 阿尔茨海默病 (AD) 的诊断和分期对于患者的护理至关重要.
• 机器学习 (ML) 和深度学习 (DL) 为复杂的生物数据提供了先进的分析能力.

研究的目的:

• 用EEG数据评估ML和DL方法来分类阿尔茨海默病 (AD) 严重程度.
• 为了比较各种ML/DL模型在区分中度阿尔茨海默氏症痴呆症 (ADM) 和高级阿尔茨海默氏症痴呆症 (ADA) 的性能.
• 确定最有效的DL方法来分析EEG信号用于AD分期.

主要方法:

• 在10年内利用了来自5家医院的668名志愿者的综合数据集.
• 应用并将多个机器学习和深度学习模型与EEG数据进行比较.
• 专注于一个卷积神经网络 (CNN) 深度学习模型,因为它具有特征提取能力.

主要成果:

• 卷积神经网络 (CNN) 深度学习模型表现出卓越的性能.
• 在中度阿尔茨海默氏症痴呆症 (ADM) 中获得了97.45%的分类准确度.
• 在高级阿尔茨海默氏症痴呆症 (ADA) 方面获得了97.03%的分类准确度.

结论:

• 深度学习,特别是CNN,有效地分析了AD分期的时间域EEG特征.
• 拟议的CNN模型显著减少了可学习参数和数据冗余.
• 这种方法显示出使用EEG准确和高效地分类阿尔茨海默病的巨大潜力.