基于CNN的框架用于通过动态模式分解通过EEG检测阿尔茨海默病
Jacob Kang1, Hunseok Kang2, Jong-Hyeon Seo3
1College of Computer, Mathematical, and Natural Sciences, University of Maryland, College Park, MD, United States.
Frontiers in neuroinformatics
|December 8, 2025
概括
这项研究引入了一种新的CNN框架,使用动态模式分解来分析神经退行性疾病中眼睛开放的EEG. 这种方法显著改善了阿尔茨海默氏症.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 阿尔茨海默病 (AD) 和前性痴呆症 (FTD) 是具有明显EEG变化的神经退行性疾病.
- 眼睛开放 (EO) 脑电图分析对阿尔茨海默病具有挑战性,原因是光谱不稳定性,与FTD不同.
- 之前的研究主要集中在闭眼 (EC) EEG上,从而获得更高的分类准确性.
研究的目的:
- 开发一个先进的框架来分析EO EEG在AD和FTD中.
- 使用EOEEG数据提高AD和FTD的分类准确性.
- 调查特定频段 (如delta) 对分类性能的影响.
主要方法:
- 开发了一个基于CNN的框架,包含动态模式分解 (DMD).
- 使用DMD,EOEEG数据被细分为更短的时间窗口.
- 采用3D CNN来捕捉空间-时间-光谱表示.
主要成果:
- 提出的基于DMD的CNN框架的性能优于传统的光谱ML管道和基于FT的CNN.
- 在对阿尔茨海默病的分类方面观察到显著的改善.
- 除了三角频率外,AD分类的收益很小,而FTD分类没有受到影响或得到改善.
结论:
- 基于DMD的CNN框架为分析神经退行性疾病中的EOEEG提供了强大的方法.
- 这种方法增强了EOEEG的诊断潜力,特别是对于阿尔茨海默病.
- 德尔塔频段的动态在EOEEG对AD和FTD的分类中起着不同的作用.
