使用微波雷达数据进行非侵入性阿尔茨海默氏症监测的深度学习方法
Farhatullah1, Xin Chen2, Deze Zeng1
1School of Computer Science, China University of Geosciences, Wuhan, 430074, China.
概括
这项研究提出了一种新的深度学习方法,用于使用微波信号早期检测阿尔茨海默病 (AD). 这种先进的方法实现了87%的准确性,为传统的大脑成像提供了具有成本效益的替代方案.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 神经成像是一种神经成像.
背景情况:
- 阿尔茨海默病 (AD) 影响全球超过5000万,需要改进早期诊断工具.
- 传统的神经成像 (MRI,CT) 是昂贵的,庞大的,耗时的.
- 基于微波的技术提供了一个有前途的非侵入性,便携式和经济有效的替代方案.
研究的目的:
- 通过模拟的微波信号引入深度学习方法来监测阿尔茨海默病 (AD).
- 开发和验证用于AD检测的高级特征选择和分类框架.
- 为了提高早期发现阿尔茨海默病的诊断能力.
主要方法:
- 模拟的微波分散信号来自现实的数值大脑幽灵使用CST Studio Suite.
- 数据预处理包括规范化,标准化和异常值删除.
- 深度学习模型包括递归特征消除 (RFE),主要组件分析 (PCA),自动编码器 (AE),卷积神经网络 (CNN),门式递归单元 (GRU),双向长期短期记忆 (双向-LSTM) 和长期短期记忆 (LSTM).
主要成果:
- 实施了一种新的数据增强技术,以丰富跨多个AD阶段的数据集.
- 集成的RFE-PCA-AE功能选择显著提高了模型性能.
- CNN+GRU模型的分类准确率达到87%,超过了现有研究.
结论:
- 建议的深度学习方法,结合基于微波的传感,显示出早期和准确的阿尔茨海默病诊断的巨大潜力.
- 这种方法为当前的神经成像技术提供了具有成本效益和便携性的替代方案.
- 进一步的研究可以探索用于AD监测的基于微波的深度学习系统的临床验证和优化.
