图表实证模式分解和多尺度特征提取用于基于EEG的阿尔茨海默病和前性痴呆症的分类
Madhav Acharya1, Ravinesh C Deo1, Prabal Datta Barua1
1Artificial Intelligence Applications Laboratory, School of Science, Engineering and Digital Technologies, University of Southern Queensland, QLD 4300, Australia.
Computer methods and programs in biomedicine
|March 10, 2026
概括
这项研究引入了一种基于脑电图 (EEG) 的新方法,用于分类神经退行性疾病,如阿尔茨海默氏症 (AD) 和前性痴呆症 (FTD). 该方法实现了高精度,优于以前用于早期痴呆症检测的方法.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 早期和准确的分类神经退行性疾病,如阿尔茨海默氏症 (AD) 和前性痴呆症 (FTD) 是一个重要的临床挑战.
- 电脑电图 (EEG) 信号为非侵入性诊断工具提供了一个有希望的途径.
研究的目的:
- 开发和评估一种基于EEG的新型分类方法,用于区分AD,FTD和健康对照 (HC).
- 通过集成使用先进的信号处理技术提取的多分辨率特征来提高分类性能.
主要方法:
- 这是一种新的方法,它融合了图形里埃变换 (GFT),图形波段变换 (GWT),离散波段变换 (DWT) 和图形实证模式分解 (GEMD) 来进行特征提取.
- EEG信号被细分并分析能量和特征,创建一个388维特征向量.
- 机器学习模型,包括SVM,kNN,DT,RF和AdaBoost组合模型,用于分类.
主要成果:
- 集合学习模型在所有分类任务中表现出卓越的性能.
- 二元分类实现了高精度:98.84%的AD与HC,98.67%的AD与FTD,和98.94%的FTD与HC.
- 多类分类 (AD,FTD,HC) 的准确率达到了96.68%.
结论:
- 拟议的基于图形的多分辨率特征融合方法有效地使用EEG信号识别阿尔茨海默病和前性痴呆症.
- 该方法显示,与以往对同一数据集的研究相比,该方法的性能有所改善.
- 这证实了开发的痴呆症分类技术的有效性.
