一个深度SVM混合框架,增强了EEG特征工程和基于SHAP的可解释性,用于阿尔茨海默氏症分类

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:

• 使用脑电图 (EEG) 精确区分阿尔茨海默病 (AD),前性痴呆 (FTD) 和认知正常 (CN) 个体是临床上显著但具有挑战性的.
• 现有的EEG分类方法在不同的数据集和条件中往往缺乏可解释性或稳定性.

研究的目的:

• 开发和验证一种新的,可解释的,强大的多类分类框架,以区分AD,FTD和CN与EEG数据.
• 将光谱/连接性生物标志物与深度学习时间嵌入器融合在一起,以提高分类准确性.

主要方法:

• 一种混合分类方法,将可解释的EEG生物标志物 (带功率,光谱,α-一致性) 与轻量级1D卷积神经网络 (1D-CNN) 的时间特征相结合.
• 功能融合,然后进行主要组件分析 (PCA) 以减少维度和支持矢量机 (SVM) 以进行分类.
• 严格的方法来防止数据泄露,包括严格在训练上安装数据依赖的步骤 (SMOTE,z-scoring,PCA),并使用内环网格扫描来进行超参数优化.

主要成果:

• 在OpenNeuro ds004504数据集 (AD/FTD/CN) 上实现了高分类准确度 (94.5%),宏F1得分和AUC.
• 通过对眼睛开放记录 (ds006036) 的交叉条件测试和对独立数据集的零射击转移来证明稳定性.
• 沙普利添加物扩展 (SHAP) 分析提供了临床解释的,与已知的神经退行性疾病中的电生理学变化一致的主体级归因.

结论:

• 拟议的透明混合功能设计为基于EEG的AD,FTD和CN的区分提供了一种准确,无泄漏和可解释的方法.
• 这些发现支持将可解释的生物标志物与深度学习融合为神经退行性疾病分类的临床实用性.
• 预先的外部验证表明开发的分类框架的可通用性.