一个新的图形转换器框架用于基于EEG的阿尔茨海默病和前性痴呆症的区分
Ahmed S Eltrass1, Youssef Tageldin2, Hania Farag2
1Electrical Engineering Department, Alexandria University, Alexandria, Alexandria, Alexandria, Alexandria Governorate, 11511, Egypt.
Biomedical physics & engineering express
|February 12, 2026
概括
这项研究提出了一种使用脑电图 (EEG) 和深度学习的新自动化方法,以准确区分阿尔茨海默病 (AD) 和前性痴呆症 (FTD) 与认知正常 (CN) 个体.
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:
- 区分阿尔茨海默病 (AD),前性痴呆症 (FTD) 和认知正常 (CN) 个体是临床上具有挑战性的.
- 目前用于神经退行性疾病的诊断方法需要提高准确性和效率.
研究的目的:
- 开发和验证一个自动化框架,以改善AD,FTD和CN主题的分类.
- 提高神经退行性疾病的早期检测和区分的诊断能力.
主要方法:
- 使用电脑电图 (EEG) 信号处理与基于图形的深度学习 (DL) 相结合.
- 实现了文物抑制和DL驱动的过模型,用于EEG信号增强.
- 从细分的EEG信号构建图形表示,以捕捉大脑连接.
- 使用基于变压器的图形神经网络来对AD,FTD和CN主题进行分类.
主要成果:
- 自动化框架在二进制 (AD-CN,FTD-CN) 和三进制 (AD-CN-FTD) 分类中实现了高度竞争和均衡的性能.
- 与现有的基于EEG的诊断方法相比,证明了更高的准确性.
- 强调了整合信号过,图形表示和变压器架构的有效性.
结论:
- 拟议的框架提供了一个可靠的工具,以支持神经诊断中的临床决策.
- 这种方法显示了神经退行性疾病的早期检测和区分的巨大潜力.
- 集成先进的信号处理和深度学习可以提高AD和FTD的诊断准确度.
关键词:
阿尔茨海默病的疾病阿尔茨海默病的疾病.卷积神经网络 (CNN) 是一种神经网络.深度学习 (DL) 是指深度学习.深度学习 (DL) 卷积神经网络 (CNN) 图 神经网络 (GNN) 电脑图 (EEG) 阿尔茨海默氏症电脑电图 (EEG) 是一种电脑电图.图形神经网络 (GNN) 是一个神经网络.
