基于深度学习的痴呆症分类,使用皮层下信号的图像表示
Shivani Ranjan1, Ayush Tripathi1, Harshal Shende1
1Department of Electrical Engineering, Indian Institute of Technology Delhi, New Delhi, India.
BMC medical informatics and decision making
|March 6, 2025
概括
这项研究使用深度学习和EEG数据来准确分类痴呆症,包括阿尔茨海默病 (AD) 和前性痴呆症 (FTD). 该方法对早期和更精确的痴呆症诊断有希望.
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:
- 痴呆症的特点是认知能力下降,包括阿尔茨海默病 (AD) 和前性痴呆症 (FTD) 等疾病.
- 由于早期症状重叠和明显的进展模式,对AD和FTD的准确早期诊断至关重要.
- 脑电图 (EEG) 提供了一种非侵入性的脑活动分析方法,显示出区分痴呆症亚型和轻度认知障碍 (MCI) 的潜力.
研究的目的:
- 开发一种使用EEG信号的痴呆症深度学习分类系统.
- 分析来自大脑深部区域 (海马体,杏仁体,丘脑) 的时间序列信号,用于痴呆症分类.
- 在独立的EEG数据集上验证系统的有效性.
主要方法:
- 使用标准化的低分辨率脑电磁断层扫描 (sLORETA) 提取了EEG侦察时间序列信号.
- 连续波波变换 (CWT) 将时间序列数据转换为深度学习模型的图像表示.
- 两个数据集 (BrainLat和IITD-AIIA) 用AD,FTD,MCI和健康的对照 (HC) 实验对象用于验证.
主要成果:
- 使用DenseNet架构实现了最佳表现,其中用于皮层下区域的分类器的概率乘积.
- 在BrainLat数据集上,分类准确率达到94.17%,在IITD-AIIA数据集上达到77.72%.
- 该方法在区分痴呆症阶段方面表现出有效性.
结论:
- 对EEG信号的基于图像的深度学习分析显示了痴呆症分类的重大潜力.
- 这种方法可以帮助更准确,更早地诊断痴呆症.
- 改善诊断能力对于有效管理和治疗痴呆症至关重要.
