最佳时间频率局部波纹波器用于从EEG信号识别阿尔茨海默病

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:

• 阿尔茨海默病 (AD) 诊断依赖于耗时且昂贵的方法,如神经成像.
• 现有的基于EEG的AD检测方法缺乏足够的分类准确性.
• 需要更有效,更准确的阿尔茨海默病诊断工具.

研究的目的:

• 开发和验证一种新型的波束机器学习 (ML) 框架,用于使用EEG信号准确检测阿尔茨海默氏病 (AD).
• 与现有的基于EEG的AD检测方法相比,提高分类准确性.
• 评估关于AD分类公共数据集的拟议框架的性能.

主要方法:

• 一个新的双直角过器银行,三重半带过器银行 (OTFL-THFB) 的频率和时间定位优化,旨在分解EEG信号.
• 从EEG子频段中使用Hjorth参数 (HP) 和Higuchi's Fractal Dimension (HFD) 来提取特征.
• 机器学习模型,特别是最小正方形支向量机 (LS-SVM),通过使用提取的特征进行了训练和测试,并进行了10倍的交叉验证.

主要成果:

• 拟议的波形-ML框架显示了AD检测的高分类准确性.
• 该模型在区分AD患者与正常对照 (NC) 和轻度认知障碍 (MCI) 患者方面取得了显著的准确性.
• 该框架在使用EEG数据将AD从NC分类时优于现有的最先进技术.

结论:

• 开发的波纹机器学习框架为阿尔茨海默病检测提供了一个有希望的,准确和高效的方法.
• OTFL-THFB过器银行与HP和HFD功能相结合,为AD分类提供了有效的信号分解和特征提取.
• 这种新的方法显示了在早期诊断阿尔茨海默病的临床应用的潜力.