在EEG生物标志物研究中进行样本丰富的综合方法,用于阿尔茨海默氏症风险分类
Verónica Henao Isaza1,2,3, David Aguillon2, Carlos Andrés Tobón-Quintero1
1Grupo Neuropsicología y Conducta (GRUNECO), Facultad de Medicina, Universidad de Antioquia (UdeA), Medellín, Colombia.
PloS one
|March 11, 2026
概括
这项研究引入了一种新的框架,使用脑电图 (EEG) 来改善阿尔茨海默病 (AD) 风险分类. 协调和样本丰富提高了早期AD检测的准确性和通用性.
科学领域:
- 神经科学是一个神经科学.
- 生物标志物 生物标志物
- 机器学习 机器学习
背景情况:
- 痴呆症,特别是阿尔茨海默病 (AD),是全球重要的健康挑战.
- 基于脑电图 (EEG) 的生物标志物提供了早期AD风险识别的潜力.
- 在EEG研究中,小而异质的样本限制了研究结果的概括性.
研究的目的:
- 开发基于EEG的样本丰富框架,以克服AD风险分类中的局限性.
- 提高使用多中心EEG数据的分类模型的通用性和稳定性.
- 在早期AD检测研究中解决样本大小和可变性约束.
主要方法:
- 开发了一个EEG样本丰富框架,集成信号处理,特征提取,神经协调和倾向分数匹配 (PSM).
- 协调了来自四个队伍的EEG数据,以减少位点变异性,同时保留年龄和性别等共变量.
- 提取的特征 (功率,,连贯性等) 并在各种比例上应用PSM来平衡控制和阿尔茨海默氏症风险组.
主要成果:
- 通过PSM进行样本丰富显著提高了分类准确度,决策树模型达到0.91-0.96准确度.
- 较高的丰富比率导致模型稳定性和通用性的增强,由学习曲线和混矩阵证实.
- 根据模型性能和效果大小 (Cohen's d) 进行特征选择.
结论:
- 拟议的框架有效地解决了基于EEG的AD风险分类中的样本规模和可变性问题.
- 数据协调和统计平衡为专注于早期AD检测的多中心EEG研究提供了一种可重复的策略.
