融合卷积学习和基于注意力的Bi-LSTM网络,用于从EEG信号到IoMT的早期阿尔茨海默病诊断
Mohamadreza Khosravi1,2,3, Hossein Parsaei4,5, Khosro Rezaee6
1Department of Medical Physics and Engineering, School of Medicine, Shiraz University of Medical Sciences, Shiraz, Iran. mohammadr.khosravi@iran.ir.
Scientific reports
|October 30, 2024
概括
这项研究引入了一个使用脑电图 (EEG) 数据的深度学习模型,以准确地分类阿尔茨海默病 (AD) 阶段,包括轻度认知障碍 (MCI). 这种新的方法达到96.52%的准确性,有助于早期发现和干预AD.
科学领域:
- 神经科学和人工智能 人工智能
- 医疗信息学和信号处理
背景情况:
- 阿尔茨海默病 (AD) 影响全球数百万,需要先进的诊断工具.
- 脑电图 (EEG) 数据为监测与AD相关的大脑活动提供了一个有希望的途径.
- 医疗物联网 (IoMT) 可以促进智能城市环境中的普遍健康监测.
研究的目的:
- 开发和评估一种深度学习模型,使用EEG数据对阿尔茨海默病 (AD),轻度认知障碍 (MCI) 和健康对照 (CO) 进行分类.
- 提高AD及其前体阶段的准确性和早期检测能力.
- 利用医疗物联网 (IoMT) 的潜力,实现远程和持续的健康监测.
主要方法:
- 提出了一个卷积式学习注意力双向时间意识长期短期记忆 (CL-ATBiLSTM) 深度学习模型.
- 使用离散波纹转换 (DWT) 进行EEG信号分解和谱图转换以提取特征.
- 采用贝叶斯优化来对ATBiLSTM网络进行超参数调整,以提高概括性和准确性.
主要成果:
- 根据EEG数据,CL-ATBiLSTM模型在对AD,MCI和CO组进行分类时获得了96.52%的高精度.
- 该模型在与现有的两类算法相比,在区分三个不同的认知状态方面表现出卓越的性能.
- 注意力机制和BiLSTM网络有效地捕获了EEG信号中的关键空间和时间模式.
结论:
- 开发的CL-ATBiLSTM模型显示了对阿尔茨海默病和轻度认知障碍的准确和早期识别的巨大潜力.
- 这种方法提供了一个更全面的诊断工具,包括MCI分类,促进及时的治疗干预.
- 这些发现支持IoMT和先进AI在神经退行性疾病管理和患者护理中的实际应用.
