基于EEG的神经退行性疾病的诊断:传统方法和深度学习模型的比较分析
B R Nayana1, M N Pavithra1, S Chaitra1
1Department of Computer Science and Engineering, M. S. Ramaiah University of Applied Sciences, Bangalore, Karnataka, India.
Scientific reports
|May 7, 2025
概括
这项研究比较了深度学习模型和使用电脑电图 (EEG) 信号诊断痴呆症的传统方法. 深度学习方法,特别是1D和2D卷积神经网络 (CNN),在识别神经退行性模式以早期发现痴呆症方面表现出卓越的表现.
科学领域:
- 神经科学是一个神经科学.
- 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:
- 由于生活方式和环境因素,全球痴呆病例增加.
- 需要先进的诊断工具,用于早期检测和干预.
- 电脑电图 (EEG) 信号为非侵入性痴呆症评估提供了潜力.
研究的目的:
- 研究和比较传统机器学习和深度学习模型在使用EEG信号诊断痴呆症方面的有效性.
- 在多个基准数据集中评估随机森林,1D CNN和2D CNN模型的性能.
- 评估这些人工智能模型在临床环境中用于早期痴呆症诊断的潜力.
主要方法:
- 使用功率光谱密度进行EEG信号预处理和特征提取.
- 开发用于痴呆症分类的随机森林分类器.
- 直接在EEG信号上实施1D卷积神经网络 (CNN).
- 使用2D CNN与从分解的EEG信号中获得的堆叠谱图像.
- 在三个不同的基准数据集上测试模型,标签为认知正常,前性痴呆,轻度认知障碍和阿尔茨海默病.
主要成果:
- 深度学习模型 (1D和2D CNNs) 在数据集中始终优于传统的随机森林分类器.
- 在数据集1上,2D CNN实现了最高准确率 (91.13%),明显优于随机森林 (84.78%).
- 数据集之间的性能变化凸显了对数据集特定模型优化的需求,特别是对于像数据集3这样具有挑战性的数据集.
结论:
- 深度学习模型显示出从EEG数据中准确和早期诊断痴呆症的巨大潜力.
- 一维和二维CNN在捕捉神经退行性疾病的微妙EEG模式方面是有效的.
- 进一步的研究和模型改进是必要的,以提高跨不同临床群体和数据集的稳定性和通用性.
