复杂度测量揭示了工作记忆任务期间脑电图的年龄相关变化

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
• 信号处理 信号处理

背景情况:

• 电脑电图 (EEG) 信号的变化反映了衰老和认知能力下降.
• 早期发现大脑衰老对于预防阿尔茨海默氏症等神经退行性疾病至关重要.

研究的目的:

• 分析健康衰老期间EEG信号复杂性的变化.
• 使用EEG特征区分中年人和老年人.
• 评估基于年龄的EEG信号分类的机器学习分类器.

主要方法:

• 在工作记忆任务中记录了中年和老年健康受试者的EEG信号.
• 提取的复杂性特征:希古奇的碎形维度 (HFD),卡茨的碎形维度 (KFD),样本和Hjorth参数.
• 使用的机器学习分类器:多层感知器 (MLP),支持矢量机 (SVM),K-最近邻 (KNN) 和物流模型树 (LMT).

主要成果:

• 希古奇的碎形维度 (HFD),卡茨的碎形维度 (KFD) 和Hjorth的复杂性与年龄有显著的相关性.
• 脑电图信号的复杂性从中年到老年人群下降.
• 在区分年龄组方面,MLP实现了最高的准确性 (总体93.75%,后部地区92.50%).

结论:

• 碎形维度和Hjorth复杂性是健康衰老中EEG复杂性降低的敏感指标.
• 脑电图信号的复杂性特征适用于监测健康的大脑衰老.
• 机器学习,特别是MLP,有效地根据EEG复杂性对年龄组进行分类.