通过EEG的机器学习改善阿尔茨海默氏症诊断:基于光谱特征的比较分析
Yeliz Senkaya1, Cetin Kurnaz2, Ferdi Ozbilgin3
1Department of Computer Applications, Akkus Vocational School, Ordu University, 52950 Ordu, Türkiye.
Diagnostics (Basel, Switzerland)
|September 13, 2025
概括
机器学习通过使用电脑电图 (EEG) 数据提高了阿尔茨海默病的诊断. 这种方法实现了96.01%的准确性,使得早期检测和干预能够改善患者的治疗结果.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 阿尔茨海默病 (AD) 诊断具有挑战性,并且经常延迟,影响早期干预的有效性.
- 脑电图 (EEG) 显示了检测AD相关的大脑变化的潜力,但特征提取是复杂的.
- 加快AD诊断对于管理疾病进展至关重要,因为缺乏治疗方法.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于使用EEG信号增强阿尔茨海默病诊断.
- 调查ML算法在区分AD患者与前性痴呆症 (FTD) 和健康对照 (HC) 的有效性.
- 从EEG数据中确定最佳特征,以便准确地对AD进行分类.
主要方法:
- 分析了36名AD患者,23名FTD患者和29名HC患者的EEG记录.
- 计算了功率光谱密度 (PSD),并从时间域和频域EEG数据中提取了342个统计和光谱特征.
- 支持向量机 (SVM) 和k-近邻 (k-NN) 分类器使用贝叶斯优化和通过相关性分析进行特征选择进行了训练和优化.
主要成果:
- 支持矢量机器 (SVM) 分类器实现了96.01%的高诊断精度.
- 与以前报告的使用EEG检测AD的方法相比,ML方法显示出更高的性能.
- 特性选择和超参数优化显著提高了分类准确性.
结论:
- 对EEG数据的机器学习分析为早期诊断阿尔茨海默病提供了一个有希望和有效的方法.
- 这种方法促进了及时的临床干预,可能导致更好的患者管理和结果.
- 这项研究强调了非侵入性EEG与先进的ML技术结合用于神经疾病诊断的潜力.
