在基于计算机的认知测试期间,基于脑电图的阿尔茨海默病谱的分类

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
• 认知科学 认知科学

背景情况:

• 阿尔茨海默病 (AD) 诊断依赖于轻度认知障碍 (MCI) 的早期检测,但非amnestic MCI (naMCI) 经常被忽视.
• 主观认知衰退 (SCD) 是AD谱病理学的关键早期指标,弥合了正常衰老和MCI.
• 认知评估的传统神经心理测试可能耗时且容易产生偏见.

研究的目的:

• 开发和验证基于计算机的认知任务与脑电图 (EEG) 结合用于早期AD诊断.
• 要区分认知衰退的阶段:SCD,MMCI,记忆力衰退 (aMCI) 和AD.
• 评估EEG在休息状态和记忆编码状态中的有效性,以对AD频谱障碍进行多类分类.

主要方法:

• 在休息状态和记忆编码状态期间,从58名参与者 (SCD,MMCI,aMCI,AD) 收集了EEG数据.
• 从EEG信号中提取了反映相位,光谱和时间大脑活动的特征.
• 9个机器学习和3个深度学习模型被使用一个Leave-one-subject-out交叉验证策略进行了比较.

主要成果:

• 基于计算机的认知任务与所有认知领域的现有神经生理学测试成绩有显著的相关性.
• 在内存编码状态下 (高达93.10%的准确性) 与静止状态 (高达67.24%的准确性) 相比,分类性能显著更高.
• 在使用内存编码EEG数据的四类分类任务中,cKNN模型实现了最高的准确性.

结论:

• 记忆编码期间的EEG分析,加上基于计算机的认知任务,为早期AD诊断和分期提供了高度准确的方法.
• 这种方法为传统的认知评估提供了一种节省时间和更少偏见的替代方案.
• 这些发现突出了分析与认知过程相关的大脑波的潜力,以更好地检测AD频谱病理.