一个CNN转换器融合用于基于EEG的阿尔茨海默氏症和前性痴呆症的歧视

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:

• 痴呆症,特别是阿尔茨海默氏症 (AD) 和前性痴呆症 (FTD),由于症状重叠而带来诊断挑战.
• 早期和准确的差异化对于有效的患者管理和治疗至关重要.
• 电脑电图 (EEG) 提供了一种非侵入性的,具有成本效益的方法来评估痴呆中的神经生理变化.

研究的目的:

• 开发一个强大的基于EEG的诊断框架来分类AD,FTD和健康对照 (HC).
• 将特定领域的EEG信号处理与先进的深度学习集成在一起,以提高诊断准确度.

主要方法:

• 使用了88名参与者的静止状态EEG记录数据集 (29个AD,23个FTD,36个HC).
• 采用混合深度学习模型,将共同空间模式 (CSP) 过与卷积神经网络 (CNN) 和视觉转换器 (ViT) 结合起来.
• 实施了10倍交叉验证策略,以评估模型性能和通用性.

主要成果:

• 实现了高分类准确率:95.86% (AD/HC),94.76% (FTD/HC),94% (AD/FTD) 和92.14% (AD/FTD/HC) 的分类准确率.
• 证明了该模型能够捕捉EEG数据中的本地信号特征和全球上下文依赖性.
• 突出了将域信息空间过与深层次特征学习的有效性.

结论:

• 拟议的基于EEG的深度学习框架显示了在AD,FTD和健康个体之间准确区分的巨大潜力.
• 这种方法可以支持神经退行性疾病的精确,个性化临床干预.
• 开发的管道为未来的痴呆症临床决策支持系统提供了一个有希望的组件,等待进一步验证.