头皮区域对基于机器学习的痴呆症分类的贡献,利用静止状态的EEG信号
Chanda Simfukwe1, Seong Soo A An1, Young Chul Youn2
1Department of Bionano Technology, Gachon University, Seongnam-si, South Korea.
Neuropsychiatric disease and treatment
|December 11, 2024
概括
眼睛开放的静止状态EEG有效地诊断认知障碍,包括轻度认知障碍和阿尔茨海默病,使用机器学习. 这种方法增强了早期发现和成本效益高的痴呆症护理.
科学领域:
- 神经科学和计算精神病学.
- 机器学习在临床诊断中的应用.
背景情况:
- 认知障碍,包括轻度认知障碍 (MCI) 和阿尔茨海默病 (AD),构成了全球重大健康挑战.
- 早期和准确的诊断对于及时干预和改善患者结果至关重要.
- 静止电脑图 (rEEG) 提供了一种非侵入性方法来评估大脑活动.
研究的目的:
- 通过机器学习研究眼睛开放 (EO) 和闭眼 (EC) rEEG数据在诊断认知障碍时的有效性.
- 提高痴呆症诊断和干预的成本效益和及时性.
主要方法:
- 利用了来自890名40至90岁的参与者 (269名健康对照,356名MCI,265名AD) 的rEEG数据.
- 将EEG信号转化为19个头皮区域的相对功率光谱密度 (PSD) 数据.
- 使用随机森林 (RF) 机器学习分类器来区分诊断组.
主要成果:
- 基于rEEG的分类在区分认知障碍个体与健康对照中表现出高准确性.
- 眼睛开放 (EO) rEEG模型实现了卓越的性能,精度达到95%的HC与AD,高灵敏度 (99%) 的HC与MCI.
- 机器学习模型有效地区分了健康对照,MCI和AD,在特定的大脑区域 (,,头) 有着显著的表现.
结论:
- EO rEEG是有效区分认知障碍与健康状态的有希望的工具,促进早期诊断.
- 这些发现支持使用EO和ECrEEG模型,特别是使用特定头皮区域相对PSD模型,以帮助临床医生诊断痴呆症.
- 这种方法可以带来更具成本效益的治疗策略,并为认知衰退患者提供更好的临床结果.
