使用基于EEG连接组动态的卷积神经网络进行痴呆症亚型分类的翻译方法.
Thawirasm Jungrungrueang1, Sawrawit Chairat1, Kasidach Rasitanon2
1Department of Biomedical Sciences and Biomedical Engineering, Faculty of Medicine, Prince of Songkla University, Songkhla, Thailand.
Scientific reports
|May 19, 2025
概括
这项研究揭示了动态脑电图 (EEG) 连接模式可以高精度区分痴呆症亚型,如阿尔茨海默病 (AD) 和前性痴呆症 (FD),为早期诊断提供了有前途的生物标志物.
科学领域:
- 神经科学是一个神经科学.
- 生物标志物 生物标志物
- 医疗成像医学成像
背景情况:
- 痴呆症谱系障碍是一个日益增长的全球健康挑战,需要早期检测才能有效管理.
- 静止电脑图 (EEG) 提供了一种非侵入性方法来评估大脑功能.
研究的目的:
- 为了识别特征阿尔茨海默病 (AD) 和前性痴呆症 (FD) 的动态EEG功能连接模式.
- 评估这些动态连接特征作为痴呆症亚型的生物标志物的潜力.
- 开发和评估深度学习模型,使用EEG数据对痴呆症亚型进行分类.
主要方法:
- 从静态EEG功能连接中提取统计特征 (平均值,方差,斜率,香农).
- 分析了阿尔法,德尔塔,塞塔,贝塔和马频段的变化.
- 开发一个卷积神经网络 (CNN) 模型,结合动态EEG特征进行分类.
主要成果:
- 在所有痴呆症亚型中观察到的阿尔法频段连接的普遍破坏.
- 发现了独特的模式:在AD中发现的三角波段超连接性和在FD中破坏的基于阶段的连接性 (Theta,Beta,Gamma波段).
- 实现了高分类准确度:93.6%的多类 (AD,FD,对照),97.8%的AD与对照,96.7%的FD与对照,和97.4%的AD与FD.
结论:
- 动态EEG功能连接模式作为有效的生物标志物,用于区分痴呆症亚型.
- 使用这些模式的高性能深度学习框架显示了早期痴呆症查和诊断的前景.
- 进一步研究网络动态和基于任务的EEG可以增强诊断能力和个性化治疗策略.
