基于嗅觉EEG的阿尔茨海默氏病分类通过基于变压器的特征融合与可调Q-因子波段系数映射的可调Q-因子波段系数映射
Berke Cansiz1, Hamza Osman Ilhan2, Nizamettin Aydin3
1Department of Electronics and Communication Engineering, Yildiz Technical University, Istanbul, Türkiye.
Frontiers in neuroscience
|September 15, 2025
概括
从嗅觉记忆反应分析电脑电图 (EEG) 信号的深度学习模型在检测阿尔茨海默病时达到93.14%的准确性. 这种新的方法提供了一个有希望的,具有成本效益的诊断工具.
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) 是一种主要的神经退行性疾病,其特点是记忆力丧失,严重影响日常生活.
- 早期诊断AD对于有效的管理至关重要,但目前的成像等方法昂贵,需要专家解释.
- 深度学习 (DL) 为开发用于AD检测的先进决策支持工具提供了潜在的解决方案.
研究的目的:
- 研究DL模型在使用电脑电图 (EEG) 信号检测阿尔茨海默病时的有效性.
- 为了利用嗅觉记忆反应作为一种新的AD检测生物标志物.
- 开发一个分类模型,整合多种特征类型,以提高诊断准确度.
主要方法:
- 使用了一组数据集,包括健康人群,缓解记忆的轻度认知障碍患者和阿尔茨海默病患者.
- 基于变压器的融合方法被用来整合来自EEG信号的三个不同的特征类型.
- 使用常见空间模式,共变矩阵-触点空间和可调的Q因子波纹系数映射提取特征向量.
主要成果:
- 拟议的DL模型在阿尔茨海默病检测方面实现了93.14%的基于主体的分类准确性.
- 分类是基于EEG记录的嗅觉记忆对香气的反应.
- 结果表明,在区分健康人和AD患者方面,准确度很高.
结论:
- 该研究成功地证明了使用基于EEG的嗅觉记忆反应的DL模型的潜力,以准确检测阿尔茨海默病.
- 这种方法与文献中报道的基于EEG的现有方法相比,显示出优越性.
- 这些发现表明,阿尔茨海默病的诊断途径有希望,可能更容易获得.
