频谱分析和Bi-LSTM基于深度网络的方法,用于检测轻度认知障碍的脑电图信号
1Department of Electrical Electronics Engineering, Faculty of Simav Technology, Dumlupınar University, 43500 Kütahya, Turkey.
Cognitive neurodynamics
|May 3, 2024
概括
这项研究引入了用于早期轻度认知障碍 (MCI) 检测的脑电图 (EEG) 模型. 这种新的方法在识别MCI患者方面取得了很高的准确性,可能有助于减缓阿尔茨海默氏症的发展.
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
- 机器学习 机器学习
背景情况:
- 轻度认知障碍 (MCI) 是一种以认知能力下降为特征的疾病,通常是阿尔茨海默病 (AD) 的前身.
- 早期和准确的MCI诊断对于及时干预和可能减缓疾病进展至AD至关重要.
- 传统的诊断方法可能是主观的,昂贵的,耗时的,突出需要先进的诊断工具.
研究的目的:
- 开发和验证一种基于脑电图 (EEG) 的新型模型,用于准确检测MCI.
- 研究深度学习算法的有效性,特别是双向长期短期记忆 (Bi-LSTM),用于使用EEG数据对MCI患者进行分类.
- 将拟议的基于EEG的模型的性能与用于MCI诊断的其他机器学习算法进行比较.
主要方法:
- 利用了来自34名年龄在40-77岁之间的受试者的EEG信号 (18名MCI,16名控制).
- 应用型多尺度主要组件分析 (MSPCA) 用于无效化和数据增强 (DA) 用于数据集扩展.
- 使用周期图,接和多层方法提取功率光谱密度 (PSD);使用Bi-LSTM,决策树 (DT),支持矢量机 (SVM) 和K-最近邻居 (KNN) 进行分类,并进行十倍的交叉验证.
主要成果:
- 与对照组相比,EEG信号分析显示MCI患者的信号功率较低.
- 拟议的模型结合了多层光谱分析与Bi-LSTM,实现了卓越的分类性能.
- 该Bi-LSTM模型显示了高精度 (98.97%),灵敏度 (98.34%),特异性 (99.67%),精度 (99.70%),F1得分 (99.02%) 和MCC (97.94%).
结论:
- 开发的基于EEG的深度学习模型为诊断MCI提供了高度准确和有效的方法.
- 这些发现表明,EEG信号分析,特别是PSD与多层光谱分析和Bi-LSTM,对于早期MCI检测具有重大潜力.
- 这种方法为MCI的传统诊断方法提供了一个不那么侵入性,成本效益和快速的替代方案.
