关于EEG信号对痴呆症的分类及其可解释性的研究,使用GWOCS agorithm进行研究

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
• 信号处理 信号处理

背景情况:

• 阿尔茨海默病 (AD) 和前性痴呆症 (FTD) 呈现类似的,模两可的临床症状,使诊断复杂化.
• 对AD和FTD的EEG信号分析在使用智能优化算法进行特征选择时缺乏可解释性.

研究的目的:

• 为了全面分析EEG信号用于AD和FTD诊断.
• 开发一个可解释的框架,用于特征选择和道选在痴呆症检测.

主要方法:

• 提取了16个EEG特征 (,时间频率,SODP).
• 使用皮尔森相关性,重要性排名和SHAP进行特征选择 (SE,SW,ZCR,STA,CTM2,CTM5).
• 应用缓解算法用于特征融合/维度减小,以及GWOCS用于最佳道选择 (Fz, F7, Fp1, Fp2, F3, T3, P4, C3).

主要成果:

• 实现了89.35%的准确性 (交叉验证) 和81.12% (LOSO验证) 在三类识别 (AD,FTD,控制) 中.
• SHAP分析证实了前额叶和叶在痴呆症诊断中的决定性作用.
• 在快速道选择和改善疾病检测效率方面表现出有效性.

结论:

• 开发的框架通过可解释的EEG分析提高了痴呆症检测的效率.
• 前额头和脑区域对于使用EEG信号区分AD和FTD至关重要.
• 这种方法为改善神经退行性疾病的诊断准确性提供了一个有希望的工具.