透明的EEG分析:利用自编码器,双LSTM和SHAP来改善神经退行性疾病的检测
Badr Mouazen1, Ahmed Bendaouia2, Omaima Bellakhdar3
1LINP2 Lab, Paris Nanterre University, UPL Paris, 92000 Nanterre, France.
Sensors (Basel, Switzerland)
|September 27, 2025
概括
深度学习使用电脑电图 (EEG) 信号准确地分类阿尔茨海默病 (AD) 和前性痴呆症 (FTD). 这种新的方法可以提高神经退行性疾病的早期诊断.
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:
- 脑电图 (EEG) 是一种用于大脑监测的非侵入性工具.
- 神经退行性疾病,如阿尔茨海默氏症 (AD) 和前性痴呆症 (FTD),存在诊断方面的挑战.
- 脑电图信号中的高维度和噪声使分析复杂化.
研究的目的:
- 开发一个深度学习管道,用于将EEG信号分类为AD和FTD.
- 利用自动编码器进行特征提取和Bi-LSTM网络进行时间模式分析.
- 为了提高模型的解释性,使用夏普利添加式扩展 (SHAP).
主要方法:
- 一个新的分类管道,将自动编码器和双向长期短期存储器 (Bi-LSTM) 网络结合起来.
- 使用自动编码器减少尺寸,以保持关键的EEG特征.
- 使用Bi-LSTM对静止状态EEG数据进行时间模式分析.
主要成果:
- 在对AD和FTD的EEG信号进行分类时获得了98%的准确性.
- 成功确定了神经退行性疾病的微妙时间模式.
- SHAP分析提供了对模型预测特征贡献的见解.
结论:
- 拟议的深度学习方法为基于EEG的AD和FTD分类提供了一个透明和准确的方法.
- 这种技术对神经退行性疾病的早期和经济有效的诊断有希望.
- 解决像噪音和可变性这样的EEG挑战对于临床翻译至关重要.
