使用精确的深度学习模型来区分痴呆症的严重程度和诊断,使用便携式脑电图装置进行诊断
Masahiro Hata1, Takufumi Yanagisawa2,3, Yuki Miyazaki4
1Department of Psychiatry, Osaka University Graduate School of Medicine, Osaka, Japan. mhata@psy.med.osaka-u.ac.jp.
Scientific reports
|July 20, 2025
概括
便携式脑电图 (EEG) 与深度学习相结合,可以有效地将健康人与痴呆患者区分开来. 这种非侵入性方法对早期检测和认知衰退的分类有希望.
科学领域:
- 神经科学是一个神经科学.
- 医疗技术 医疗技术 医学技术
- 人工智能的人工智能
背景情况:
- 轻度认知障碍 (MCI) 和痴呆症对老年人群构成重大挑战.
- 可访问,成本效益和非侵入性诊断工具对于早期检测至关重要.
- 传统的脑电图 (EEG) 系统在便携性和可用性方面存在局限性.
研究的目的:
- 开发和评估一种基于深度学习的方法,使用便携式EEG数据来区分健康志愿者和患有痴呆相关疾病的患者.
- 评估定制变压器模型在认知障碍分类中的有效性.
- 探索便携式EEG作为实用诊断工具的潜力.
主要方法:
- 从233名参与者 (119名HV,114名患者) 收集了EEG数据.
- 将EEG信号转换为频域特征,使用短时间里埃变换.
- 训练并评估基于变压器的深度学习模型,使用十倍交叉验证和持久数据集.
主要成果:
- 该模型在交叉验证中实现了0.872的AUC和80.8%的bACC,用于HV与患者分类.
- 小组分析显示AUC从0.812到0.898,bACC从74.9%到86.4%.
- 在持久数据集中观察到可比性表现,表明了强大的概括.
结论:
- 当使用深度学习分析便携式EEG数据时,可以有效地将痴呆相关疾病患者与健康对照者区分开来.
- 这种方法为早期发现和分类痴呆症提供了一种实用且非侵入性的方法.
- 这些发现支持将便携式EEG和AI整合到临床环境中,用于认知健康评估.
