用单通道EEG对阿尔茨海默病和前性痴呆症进行数据效率高的跨主体分类的多力特征并排

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 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) 需要早期检测才能有效管理.
• 当前的诊断方法面临着数据稀缺性和跨主题变异性的挑战.
• 长期监测至关重要,但通常与数据有限的设置不相容.

研究的目的:

• 提出一种基于跨主体脑电图 (EEG) 的新,数据效率高的方法来分类AD和FTD.
• 开发一种针对个体差异的单通道EEG分析技术.
• 创建一个与可穿戴技术兼容的分类系统.

主要方法:

• 使用离散波段转换 (DWT) 来处理处理的单通道EEG信号,以提取五种节奏.
• 多特征连锁 (MEFC) 结合变 (PE),单一光谱 (SSE) 和样本 (SE) 来捕捉非线性动态.
• 通过使用动态时间曲线 (DTW),皮尔森相关系数 (PCC),波形连贯性 (WC) 和希尔伯特转换相关性 (HTC) 的相似度测量进行分类.

主要成果:

• 在AHEPA数据集 (88名受试者) 上使用β节律和PCC实现了76.14%的三类准确性 (AD,FTD,健康控制).
• 在佛罗里达的数据集 (48名受试者) 上使用theta-rhythm和WC获得了83.33%的两类准确性 (AD/FTD与HC).
• 通过单通道EEG证明了可靠的跨主题性能和数据效率.

结论:

• 拟议的MEFC方法为基于EEG的AD和FTD检测提供了一个有前途的基于的方法.
• 该技术适用于数据稀缺环境和可穿戴应用程序,因为其数据效率和单通道性质.
• 开发了一个MATLAB工具箱,用于实践实施新型分类方法.