整合神经科学和人工智能:使用合体学习进行EEG分析,用于诊断阿尔茨海默病和前性痴呆症
Amir Hossein Hachamnia1, Ali Mehri1, Maryam Jamaati2
1Department of Physics, Faculty of Science, Babol Noshirvani University of Technology, Babol, Iran.
Journal of neuroscience methods
|February 2, 2025
概括
机器学习准确地区分了老年人的阿尔茨海默病 (AD) 和前性痴呆症 (FTD). 组合方法,特别是具有波段特征的光梯度增强机,在通过EEG信号诊断AD和FTD时取得了超过95%的准确性.
科学领域:
- 神经学 神经学
- 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) 和前性痴呆症 (FTD) 是影响老年人的进展性神经系统疾病.
- 由于不同的治疗方案,在早期阶段区分AD和FTD具有挑战性,但至关重要.
- 机器学习 (ML) 通过分析复杂的患者数据,为准确的诊断提供了一个有希望的方法.
研究的目的:
- 开发和评估先进的机器学习模型,用于老年患者的AD和FTD的准确差异诊断.
- 调查集体学习技术的有效性,将来自电脑电图 (EEG) 信号的时间和频域特征集成.
- 为了比较各种ML算法对二进制和多类分类任务的诊断性能.
主要方法:
- 将多个ML算法集成到10种不同的集体学习技术中.
- 利用了来自脑电图 (EEG) 信号的7个特征:3个来自时间域,4个来自频率域.
- 使用的光梯度增强机 (LGBM) 具有波形变换功能用于分类.
主要成果:
- 在使用LGBM和波形特征组合的二进制分类 (AD/CN,FTD/CN,AD/FTD) 中实现了高诊断准确率 (>95%).
- 在多类分类 (AD/FTD/CN) 中表现卓越,准确度超过93%.
- 验证了整体ML技术在分析EEG信号以诊断神经障碍时的有效性.
结论:
- 结合LGBM和波量变换特征,提供了一个高度准确的方法来区分AD,FTD和健康对照 (CN).
- 整体ML方法显示了改善早期和准确诊断复杂神经疾病的显著潜力,如AD和FTD.
- 这项研究强调了ML在提高使用非侵入性EEG数据对与年龄相关的神经退行性疾病的诊断能力方面的实用性.
