基于EEG相同步的阿尔茨海默病大脑网络的识别

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 医疗成像医学成像

背景情况:

• 阿尔茨海默病 (AD) 诊断依赖于临床评估和神经影像.
• 早期和准确的诊断对于有效的管理和治疗至关重要.
• 脑电图 (EEG) 提供了一种非侵入性方法来分析大脑活动.

研究的目的:

• 开发一种自动化方法来识别阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 使用静止状态EEG.
• 在图形卷积神经网络 (GCN) 框架内比较不同阶段同步措施 (PLI和PLV) 的有效性.
• 通过先进的信号处理和机器学习技术,提高阿尔茨海默病的早期诊断.

主要方法:

• 休息状态EEG数据从16名AD患者,20名MCI患者和21名健康对照 (HC) 收集.
• 脑电图数据进行预处理以提取α频段 (8-13 Hz).
• 阶段滞后指数 (PLI) 和阶段锁定值 (PLV) 用于构建大脑功能网络,然后输入到GCN模型进行分类.

主要成果:

• 与传统的机器学习分类器相比,GCN模型显示了更好的分类准确性 (>10%).
• 使用PLV作为节点特征的GCN模型实现了AD,MCI和HC组的平均分类准确率为77.80%.
• 在所有组中,在顶叶和叶之间观察到大脑功能连接的显著差异.

结论:

• GCN模型有效地识别了EEG数据中的图形结构,优于传统方法.
• GCN-PLV模型在对AD患者的分类中表现出卓越的性能,突出了PLV的实用性.
• 静态EEG的α频段适用于AD检测,PLI和PLV的结合为AD诊断提供了宝贵的见解.