一个新的对比的双分支网络 (CDB-Net) 用于基于EEG的强大的阿尔茨海默病诊断

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:

• 阿尔茨海默病 (AD) 诊断面临挑战,因为目前的方法缓慢,昂贵,敏感性有限.
• 脑电图 (EEG) 是一种测量大脑活动的非侵入性技术,显示了AD诊断的潜力.
• 脑电图信号易受噪声的影响,阻碍了自动诊断模型的可靠性.

研究的目的:

• 引入CDB-Net,这是一种新的深度学习模型,旨在提高基于EEG的阿尔茨海默病分类的准确性和稳定性.
• 为了应对电脑脑脑电图信号中的噪声干扰的挑战,以便更可靠地检测AD.

主要方法:

• 开发了一个对比的双分支网络 (CDB-Net),具有两个并行处理分支:一个用于清洁的EEG数据,一个用于噪声数据.
• 采用对比学习来训练分支,使模型能够识别尽管信号扭曲,但一致的特征.
• 集成了一个经过交叉损失训练的分类头部,用于下游诊断任务.

主要成果:

• 在清洁的EEG数据上,CDB-Net实现了97.92%的准确性.
• 该模型表现出强度,即使在对抗性攻击 (FGSM) 下,也达到83.41%的准确性.
• 在基于EEG的AD分类中表现优于传统的机器学习和基线深度学习模型.

结论:

• 对比的双分支学习有效地提高了EEG信号处理的模型概括性和稳定性.
• 作为阿尔茨海默病诊断中的临床决策支持的可靠工具,CDB-Net显示出显著的希望.
• 这些发现强调了先进的深度学习技术的潜力,以克服目前神经退行性疾病诊断的局限性.