眼睛打开和眼睛关闭的静止状态定量脑电图 (qEEG) 之间的区别,用于使用深度学习来预测认知障碍

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 脑电图 (EEG) 记录大脑的电活动,为大脑皮层功能提供了洞察力.
• 对EEG信号的定量EEG (qEEG) 分析作为早期痴呆症检测的神经生理指标.
• 轻度认知障碍 (MCI) 和阿尔茨海默病 (AD) 在神经学研究中构成重大挑战.

研究的目的:

• 引入深度学习 (DL) 分类方法来检测MCI和AD.
• 为了利用眼睛开放休息 (EOR) 和闭眼休息 (ECR) 之间的差异,qEEG时间频率 (TF) 图像作为输入特征.
• 评估DL模型在区分正常对照 (NC),MCI和AD受试者的有效性.

主要方法:

• 分析了来自890名受试者 (NC,MCI,AD) 的16,910张qEEG TF图像的数据集.
• 在五个频率子频段中,EEG信号使用快速里埃变换 (FFT) 转换为qEEG TF图像.
• 在DL框架内,一个卷积神经网络 (CNN) 处理了TF图像和年龄数据进行分类.

主要成果:

• 区分NC与认知障碍的DL模型 (CI = MCI + AD) 实现了AUC为0.95,准确度为0.93,灵敏度为0.97,特异性为0.92.
• 对NC与AD分类的性能是AUC为0.88,准确度为0.88,灵敏度为0.89,特异性为0.86.
• 对于NC与MCI分类,该模型的AUC为0.85,准确度为0.83,灵敏度为0.90,特异性为0.81.

结论:

• EOR和ECR qEEG状态之间的差异提供了一种使用DL检测认知障碍的实用方法.
• 开发的DL模型可以作为临床医生在早期诊断认知障碍时的决策支持系统.
• 这种方法为痴呆症研究和临床实践提供了潜在的支持性参考.