来自EEG的动态模式分解基于集群模式投影可靠的阿尔茨海默病检测

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:

• 使用眼睛开放式 (EO) 电脑学 (EEG) 从正常衰老中检测阿尔茨海默病 (AD) 很困难,这是由于非静止性和碎片化的反应.
• 传统的光谱方法经常与EO光刺激EEG数据的复杂性作斗争.

研究的目的:

• 评估由动态模式分解 (Dynamic Mode Decomposition,DMD) 衍生出来的基于原型的表现的有效性,以改进EOEEG的AD检测.
• 引入和验证一个新的框架,基于DMD的集群模式投影 (DMD-CPP),用于增强AD诊断.

主要方法:

• 开发了DMD-CPP框架,该框架将分段智能的DMD表示集成在一起,以学习类特定的 medoid 原型.
• 将每个EEG时代编码为相对于已学习的原型的等号坐标.
• 使用在DMD-CPP特征上训练的线性支持向量机 (SVM) 分类器,并使用离开一个主体的交叉验证进行验证.

主要成果:

• DMD-CPP模型证明了竞争性分类准确性,并提高了基于EO光刺激EEG的AD检测的基于边际的可靠性.
• 观察到AD与健康对照分类的决策边际增强,对错误分类的正常时代的信心较低.
• 在涉及检测前性痴呆症的任务中表现出改善,尽管明显程度低于AD.

结论:

• 基于集群的模式投影稳定了EEG动态,产生了可解释和可信赖的特征表示.
• DMD-CPP提供了一个有前途的方法,可靠地从EO EEG检测AD,优于传统的光谱方法.
• 这些发现支持DMD-CPP作为使用EEG进行神经障碍诊断的宝贵工具.