一个张量分解方案用于基于EEG的轻度认知障碍的诊断
Alireza Faghfouri1, Vahid Shalchyan1, Hamza Ghazanfar Toor2
1Neuroscience & Neuroengineering Research Lab, Biomedical Engineering Department, School of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran.
Heliyon
|February 29, 2024
概括
这项研究引入了一种新的张量分解方法,用于使用电脑电图 (EEG) 信号早期检测阿尔茨海默病. 新方法准确地识别轻度认知障碍 (MCI),优于传统方法.
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
- 机器学习 机器学习
背景情况:
- 轻度认知障碍 (MCI) 是阿尔茨海默病的早期阶段,由于细微的症状,往往难以诊断.
- 早期发现MCI对于及时干预和管理至关重要.
- 将MCI与正常衰老和严重痴呆症区分开来需要敏感的诊断工具.
研究的目的:
- 开发一种使用电脑电图 (EEG) 信号诊断MCI的自动化方案.
- 为增强MCI检测提出一种基于张量分解的新方法.
- 为了评估在EEG信号处理中保存空间信息的有效性,用于MCI诊断.
主要方法:
- 使用一种新的投影方法,从EEG信号中构建一个数据张量,保留电极空间信息.
- 平行因子分析 (PARAFAC) 张量分解被用于特征提取.
- 使用支持矢量机 (SVM) 分类器来区分MCI患者和健康受试者.
主要成果:
- 拟议的以张量为基础的方案在两个独立的数据集上实现了高分类准确度的93.96%和78.65%.
- 与MCI诊断的传统方法相比,张量法显示出更高的性能.
- 保存EEG信号的空间拓被认为是准确诊断的关键因素.
结论:
- 对EEG信号的张量分解为早期MCI检测提供了一个有希望的自动化方法.
- 拟议的方法强调了EEG分析神经系统疾病中的空间信息的重要性.
- 这种技术有可能改善阿尔茨海默病的早期诊断和管理.
