基于深度学习的阿尔茨海默氏病检测从多通道EEG使用融合时间频率图像网格
Abdulnasır Yıldız1, Hasan Zan2
1Department of Electrical and Electronics Engineering, Dicle University, Diyarbakır 21200, Turkey.
Diagnostics (Basel, Switzerland)
|March 14, 2026
概括
这项研究表明,短时间里埃变换 (STFT) 与InceptionV3深度学习模型相结合,可以从EEG数据中提供高度准确的痴呆症分类,优于其他时间频率方法.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 痴呆症的诊断是具有挑战性的,需要准确和及时检测.
- 电脑电图 (EEG) 提供了一种非侵入性的方法来评估神经生理变化.
- 自动化EEG分析框架对于改善痴呆症诊断至关重要.
研究的目的:
- 系统地评估各种时间频率表示 (TFR) 对痴呆症分类准确性的影响.
- 在统一的多通道EEG图像融合框架内评估TFR性能.
- 为了比较不同的卷积神经网络 (CNN) 架构用于基于EEG的痴呆症分类.
主要方法:
- 分析了88名受试者的EEG数据 (阿尔茨海默病,前性痴呆症,对照组).
- 使用STFT,CWT,HHT,WVD和CQT将通道wise EEG信号转换为时间频率图像.
- 来自19个EEG通道的融合图像数据使用MobileNetV2,ResNet-50和InceptionV3.3进行了分类.
主要成果:
- 根据使用的TFR,分类性能差异很大.
- 使用InceptionV3进行的STFT表现实现了最高的准确性 (98.8%的随机分割,84.3%的主体分).
- 常量Q转换 (CQT) 显示了竞争性的结果,而HHT和WVD的效率较低.
结论:
- 选择TFR显著影响基于EEG的痴呆症分类准确性.
- 结构化的多通道融合和系统的TFR评估对于强大的诊断框架至关重要.
- 这些发现为开发可解释和可靠的EEG痴呆症诊断工具提供了基础.
