EENet-RLA:一个可解释的预测学习框架,用于用EEG信号对阿尔茨海默氏病进行分类

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
• 机器学习 机器学习

背景情况:

• 阿尔茨海默病 (AD) 是导致痴呆的主要原因,需要改进诊断工具.
• 电脑电图 (EEG) 是一种安全,非侵入性和具有成本效益的神经评估方法.
• 目前基于EEG的AD分类方法在因果关系分析和最佳特征选择方面扎.

研究的目的:

• 开发和验证EENet-RLA,一个集成动态系统理论的深度学习框架,用于使用EEG准确的AD分类.
• 引入一种基于嵌入 (EE) 进行增强特征选的基于因果关系的新型EEG通道选择策略.
• 为了证明这种方法在AD特征的小样本设置中的有效性.

主要方法:

• EENet-RLA框架采用了两阶段的过程:特征提取和EEG分类.
• 因果,稳定性驱动的EEG通道选择是使用嵌入 (EE),引导重新抽样和最低连接值进行的.
• 深度学习模型 (ResNet,LSTM) 提取空间和时间特征,通过多头注意力机制进行分类.

主要成果:

• 拟议的框架在BrainLatEEG数据集上实现了98.54%的细分级准确性和完美的个人级性能.
• 基于因果关系的特征选择在识别歧视性EEG通道方面被证明是有效的,特别是在有限的样本场景中.
• 该方法证明了高准确性,同时简化了基于EEG的AD诊断的分析过程.

结论:

• 根据因果特征选择,EENet-RLA提供了一种高度准确和可解释的方法,用于使用EEG进行AD分类,由因果特征选择驱动.
• 该框架强调了在神经学研究中嵌入来识别信息性EEG通道的潜力.
• 这种基于因果关系的方法对阿尔茨海默病的表征有希望,并且可以适应具有类似信号特性的其他神经疾病.