休息状态EEG微态特征用于阿尔茨海默氏症疾病分类
Xiaoli Yang1, Zhipeng Fan1, Zhenwei Li1
1School of Medical Technology and Engineering, Henan University of Science and Technology, Luoyang, China.
PloS one
|December 12, 2024
概括
脑电图 (EEG) 微态分析有效地区分了阿尔茨海默病 (AD) 患者与健康个体. 与传统的EEG特征相比,微态特征在AD分类中显示出更高的准确性.
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
- 机器学习 机器学习
背景情况:
- 静态电脑电图 (EEG) 微态分析识别出不同的网络激活.
- 阿尔茨海默病 (AD) 与EEG模式中的全球微状态失调有关.
- 微态参数可以作为AD等神经疾病的潜在生物标志物.
研究的目的:
- 评估EEG微态参数的分类效果,以识别阿尔茨海默病 (AD).
- 将微态特征的诊断性能与AD检测中的传统EEG特征进行比较.
主要方法:
- 从OpenNeuroEEG数据库中提取了原始的EEG数据.
- 预处理了EEG数据,并将其过成五个频段.
- 使用支持矢量机 (SVM) 进行初始微态特征选择和分类,然后与使用微态和传统EEG特征的KNN,RF和LR分类器进行比较.
主要成果:
- 微状态特征集通过使用SVM实现了99.22%的最佳分类准确度,用于在Alpha (8-13 Hz) 频段中识别AD,使用SVM.
- 在四个分类器中,微状态特征集在阿尔法频段中平均准确率为98.61%.
- 在相同的分类器中,传统的EEG特征在阿尔法频段实现了91.19%的平均准确性.
结论:
- 微态参数是对阿尔茨海默病患者EEG数据的有效生物标志物.
- 微态EEG特征在AD分类方面表现出比传统EEG特征更优异的性能,独立于所使用的机器学习分类器.
