通过EEG源成像和多分支联合注意力的增强阿尔茨海默病检测
Yuming Sun1, Lufeng Feng1, Baomin Xu1
1Institute of Cloud Computing and Data Science, Beijing Jiaotong University, No.3 Shangyuan Cun, Haidian District, Beijing, Beijing, 100044, CHINA.
Journal of neural engineering
|May 14, 2025
概括
这项研究引入了一个新的AI网络MJANet,用于使用电脑电图 (EEG) 数据改进阿尔茨海默病 (AD) 检测. 通过分析不同频段和空间位置的脑活动,MJANet提高了诊断准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 阿尔茨海默氏病 (AD) 诊断可能与传统方法具有挑战性.
- 目前用于AD检测的脑电图 (EEG) 技术经常忽视关键的空间和频段相关性.
- 低于最佳的跨患者性能是现有的基于EEG的AD检测的局限性.
研究的目的:
- 开发一种先进的深度学习模型,以使用EEG更准确地检测AD.
- 改进对EEG信号中的空间信息和频段间相关性的分析.
- 提高阿尔茨海默病和相关痴呆症的跨患者诊断能力.
主要方法:
- 提出了一个多部门联合注意网络 (MJANet),利用电生理源成像 (ESI) 提高空间分辨率.
- 实施了多分支联合注意力 (MBJA) 机制,以分析不同EEG频段的相互作用.
- 采用移动转移窗口技术,在EEG数据中捕获全球图像特征.
主要成果:
- 在区分阿尔茨海默病 (AD) 与正常对照 (NC) 中,获得了85.23%的准确性,比最先进的方法提高了8.03%.
- 在区分前性痴呆症 (FTD) 和NC时,证明了75.57%的准确性.
- 实现了63.97%的准确性,同时对AD,NC和FTD进行分类.
- 使用GradCAM可视化注意力机制,提供可解释性.
结论:
- MJANet模型显示了提高AD和FTD等神经退行性疾病诊断准确性的巨大潜力.
- 这种方法为增强的临床诊断方法提供了一个新的生物标志物.
- 这些发现表明,有了更精确,更可靠的脑疾病诊断工具的途径.
