对阿尔茨海默病和前性痴呆症的分类通过基于静止状态电脑图的连贯性和卷积神经网络
Rundong Jiang1, Xiaowei Zheng1,2, Jiamin Sun1
1School of Mathematics, Northwest University, Xi'an, China.
Cognitive neurodynamics
|March 7, 2025
概括
这项研究使用脑电图 (EEG) 分析大脑连接,用于诊断阿尔茨海默氏症 (AD) 和前性痴呆症 (FTD). 一种新的Coherence-CNN模型在区分这些条件与健康对照时,达到94.32%的准确性.
科学领域:
- 神经科学和计算精神病学
- 机器学习在临床诊断中的应用.
背景情况:
- 阿尔茨海默病 (AD) 和前性痴呆症 (FTD) 是神经退行性疾病,具有不同的临床表现.
- 诊断AD和FTD通常依赖于临床评估和神经成像,但早期和准确的区分仍然具有挑战性.
- 大脑功能连接的改变越来越被认为是神经退行性疾病的潜在生物标志物.
研究的目的:
- 为了研究阿尔茨海默病 (AD),前性痴呆症 (FTD) 和认知正常 (CN) 个体之间的大脑功能连接差异,使用静止电脑图 (EEG).
- 开发和验证一个卷积神经网络 (CNN) 模型,Coherence-CNN,用于根据EEG衍生的连接特征准确分类AD,FTD和CN组.
- 探索跨不同频段的连贯度指标的实用性,以表征疾病特定的连接模式.
主要方法:
- 利用公开可用的静止状态EEG数据集,包括AD,FTD和CN受试者.
- 在各种频段中使用连贯度指标量化大脑功能连接.
- 应用光谱聚类来分析连接模式,并开发了一个CNN模型 (Coherence-CNN) 用于三类分类.
- 使用交叉验证进行了分类.
主要成果:
- 与AD和FTD组相比,认知正常 (CN) 个体表现出更强大的大脑功能连接.
- 在AD和FTD群体中,连接性下降的程度各不相同,每个情况都有不同的模式.
- 开发的Coherence-CNN模型实现了94.32%的分类准确度,用于区分AD,FTD和CN组.
结论:
- 休息状态EEG衍生的功能连接模式在AD,FTD和CN个体之间存在显著差异.
- 凝聚力-CNN模型在分类AD和FTD方面表现出高效,支持其作为诊断工具的潜力.
- 大脑功能连接的破坏是阿尔茨海默病和前性痴呆症的关键特征.
