EEGConvNeXt:一种新的卷积神经网络模型,用于使用EEG信号自动检测阿尔茨海默病和前性痴呆症
Madhav Acharya1, Ravinesh C Deo1, Prabal Datta Barua2
1School of Mathematics, Physics and Computing, University of Southern Queensland, Springfield Central, QLD 4300, Australia.
Computer methods and programs in biomedicine
|February 12, 2025
概括
一个新的EEGConvNeXt模型使用电脑电图 (EEG) 信号准确检测阿尔茨海默病 (AD) 和前性痴呆症 (FD). 这种轻量级的深度学习方法为诊断这些神经退行性疾病提供了高准确度.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 像阿尔茨海默氏症 (AD) 和前性痴呆症 (FD) 这样的神经退行性疾病由于与年龄有关的大脑体积减少而增加.
- 深度学习模型被广泛用于通过大脑信号分析进行医疗保健诊断.
- 现有的模型往往缺乏多类分类,并且在计算上昂贵.
研究的目的:
- 提出EEGConvNeXt,一个新的卷积神经网络 (CNN) 模型.
- 通过电脑电图 (EEG) 信号来实现AD和FD的准确检测.
- 解决现有模型在多类分类和计算成本方面的局限性.
主要方法:
- 使用了一个开放式的EEG信号数据集,其中有三个类别:AD,FD和对照对象.
- 开发了EEGConvNeXt模型,这是一个2D CNN,采用EEG信号的功率光谱图像作为输入.
- 该模型具有基于变压器原理的轻量级架构,具有四个不同的阶段.
主要成果:
- 使用持久验证策略实现了大约95.70%的准确性,用于三类检测 (AD,FD,控制).
- 在二进制分类任务中表现出强大的性能,对AD与FD和FD与控制的准确度超过98%.
- EEGConvNeXt模型在神经退行性疾病的自动分类中被证明是有效的.
结论:
- EEGConvNeXt模型提供了高分类性能和适合资源有限环境的轻量级架构.
- 建立了使用EEG信号检测AD和FD的新框架.
- 建议对不同种群和更大的数据集进行进一步验证,以提高临床效用.
