基于工作记忆的事件相关振荡的机器学习区分了临床前阿尔茨海默病和正常衰老
Ke Liao1, Laura E Martin2, Sodiq Fakorede3
1Hoglund Biomedical Imaging Center, University of Kansas Medical Center, Kansas City, KS, United States.
概括
机器学习在记忆任务中有效地使用电脑电图 (EEG) 与事件相关的振荡 (ERO) 识别了临床前阿尔茨海默病 (AD). 这种方法表明,在认知症状出现之前,对早期AD检测有希望.
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
- 人工智能的人工智能
背景情况:
- 阿尔茨海默病 (AD) 构成了重大的健康挑战,早期发现对干预至关重要.
- 临床前老年痴呆症的特点是没有明显的认知衰退的潜在病理.
- 电脑电图 (EEG) 与事件相关的振荡 (ERO) 是早期神经病理变化的潜在生物标志物.
研究的目的:
- 研究机器学习 (ML) 算法在区分临床前阿尔茨海默病 (AD) 与使用EEG ERO的对照中的有效性.
- 确定特定的EEG ERO特征和工作记忆任务参数,以提高临床前AD的分类准确性.
主要方法:
- 22名临床前AD参与者和21名对照人进行了n-back工作记忆任务 (0,1,2-back).
- 使用离散波量变换分析了EEG数据,以提取三角波,三角波,α和β波段的绝对和相对功率.
- 应用了四种ML方法来根据ERO特征对参与者进行分类,使用AUC,精度和F1评分来评估性能.
主要成果:
- 与高频频段相比,低频频段 (delta,theta) 显示出优异的区分性能.
- 双背任务条件显示了最高的分类能力.
- 最好的表现指标包括AUC为0.86 (2-back delta带,非目标),准确率为80.47% (2-back delta/theta带,非目标),F1得分为0.82 (2-back theta带,非目标).
- 支持向量机器分类器产生了最高的性能.
结论:
- 在工作记忆任务期间对EEG ERO的ML分析是检测临床前AD的有希望的方法.
- EEG ERO有可能揭示阿尔茨海默病的早期病理生理差异,甚至在认知障碍明显之前.
