FHESA:基于里埃分解和希尔伯特变换的EEG信号分析,用于阿尔茨海默病的检测

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经系统疾病,影响老年人的认知功能.
• 早期发现AD对于管理疾病进展和改善患者的治疗结果至关重要.
• 电脑电图 (EEG) 信号提供了对大脑活动的洞察力,但由于其非线性和非静止性质而复杂.

研究的目的:

• 开发一种自动化方法,使用EEG信号来早期检测阿尔茨海默病.
• 为了有效地分析EEG数据,以确定受阿尔茨海默病影响的大脑区域.
• 评估不同EEG通道的实用性,以便及时诊断AD.

主要方法:

• 开发了一种基于福里埃分解法 (FDM) 和希尔伯特变换 (HT) 的新型EEG信号分析 (FHESA) 方法.
• 脑电图信号被分解成富里埃内在波段函数 (FIBF).
• 希尔伯特变换被应用到FIBF来提取瞬间特征,形成用于机器学习 (ML) 分类的特征向量.

主要成果:

• 在检测AD方面,FHESA方法取得了很高的准确性,数据集I达到98%,数据集II达到99%.
• 该方法有效地确定了相关的大脑区域和EEG通道用于AD检测.
• 性能比较显示FHESA的性能优于其他最先进的AD检测方法.

结论:

• 拟议的FHESA方法为自动检测阿尔茨海默病提供了一种有效和准确的方法.
• 这种技术可以帮助神经学专家利用EEG信号进行早期及时诊断AD.
• FHESA方法为改善阿尔茨海默病的诊断和管理提供了一个有前途的工具.