基于脑连接性和区域统计的EEG研究早期帕金森病分类
本文提出了一种基于脑电图的方法来诊断帕金森病,通过使用插值方法将脑电图信号的频带能量映射到二维图像中,并使用胶囊网络(CapsNet)进行分类,短期EEG部分的正确率达到89.34%。通过在不同EEG带上分类的比较,我们发现在伽马波段的分类准确性最高,暗示我们需要更加关注早期PD患者的伽马波段的变化。
Dec, 2021
通过研究帕金森症(PD)患者和健康对照者(HC)的情感脑电图(EEG)信号,本研究使用传统机器学习和深度学习方法,探讨维度和分类情感识别以及PD与HC分类的有效性,结果表明情感EEG响应几乎可以完美地识别出PD和HC,而通过研究“隐含”反应可以发现PD患者的价值相关缺陷,并且情感EEG分析是一种生态有效、易于实现和可持续的PD诊断工具。
Feb, 2022
本研究通过提出的可解释的几何加权图注意力神经网络(xGW-GAT),鉴别出与帕金森病步态障碍相关的功能连接模式以及与运动障碍相关的功能子网络的可解释性,从而有助于更好地理解帕金森病的运动进展,推动更有效和个性化的治疗方法的发展。
Jul, 2023
该研究提出了一种基于深度学习模型的帕金森病诊断方法,利用静息状态脑电图信号,通过提取复杂的隐藏非线性特征并展示其在未见数据上的泛化能力,该模型由卷积神经网络、双向门控循环单元和注意力机制构成,并在三个公开数据集上进行评估,结果表明该模型在训练和测试数据集上均能准确诊断帕金森病,即使输入信息的部分缺失也能表现良好。该研究结果对患者治疗和帕金森病早期检测持有重要意义,该提出的模型有望成为一种非侵入性且可靠的利用静息状态脑电图进行帕金森病早期检测的技术。
Aug, 2023
通过机器学习技术,使用临床特征,声音特征和运动检查等数据,实现对帕金森病的早期检测,并取得了100%针对PD和RBD患者的准确分类率,以及对PD和HC个体的92%准确分类率。
Oct, 2023
阿尔茨海默病和睡眠障碍之间存在紧密联系,睡眠模式的中断经常在轻度认知障碍(MCI)和早期AD发作之前出现。本研究探讨利用通过多导睡眠监测仪(PSG)获得的与睡眠相关的脑电图(EEG)信号用于早期AD检测的潜力。我们主要关注于探索半监督深度学习技术用于EEG信号分类,这是由于临床场景中数据可用性有限的特点。实验方法包括测试和比较半监督SMATE和TapNet模型的性能,并与监督XCM模型和无监督的隐马尔科夫模型(HMMs)进行比较评估。研究强调了空间和时间分析能力的重要性,对每个睡眠阶段进行独立分析。结果表明,SMATE在利用有限标记数据方面取得了稳定的度量结果,并在监督形式下达到了90%的准确率。比较分析揭示了SMATE在性能上优于TapNet和HMM,而XCM在监督场景中以92-94%的准确率表现出色。这些发现强调了半监督模型在早期AD检测中的潜力,特别是在应对标记数据稀缺性方面。消融测试验证了空间-时间特征提取在半监督预测性能中的关键作用,并通过t-SNE可视化验证了模型在区分AD模式方面的熟练性。总体而言,这项研究通过创新的深度学习方法为AD检测的进展做出了贡献,突出了半监督学习在应对数据限制方面的重要作用。
Apr, 2024
通过分析人类脑电图信号,采用支持向量机分类模型,提出了一种创新的帕金森病诊断方法,该研究通过提高诊断准确性和可靠性增强了模型的性能。
Apr, 2024
使用脑信号进行神经退行性疾病的基于脑电图的智能诊断面临数据异质性和标注不可靠性的挑战。本研究引入了Manifold Attention and Confidence Stratification (MACS)的可转移框架,通过来自四个中心的脑电图信号进行神经退行性疾病的诊断,解决了这一问题。实验结果表明,MACS相较于现有算法,在跨中心和小样本的脑疾病诊断中具有卓越性能。同时,该研究还为扩展MACS技术到其他数据分析领域提供了新的思路,解决了多媒体和多模态内容理解中的数据异质性和标注不可靠性的问题。
Apr, 2024
本研究解决了使用静息态脑电图(EEG)检测帕金森病(PD)中的空间信息建模、动态脑连接性和特征学习挑战。采用了一种新的图神经网络技术,通过多头图结构学习和梯度加权图注意力解释有效捕捉EEG数据的复杂特征。研究结果显示,在UC圣地亚哥帕金森病EEG数据集上实现了69.40%的检测准确率,并提供了模型学习图拓扑的直观解释。
Aug, 2024
本研究解决了现有复杂模型在帕金森病(PD)EEG分类中的局限性,提出了一种名为LightCNN的极简卷积神经网络架构,仅使用一个卷积层。研究发现,LightCNN在多项评估指标上超越了所有传统深度学习模型,展示了简单模型在提高医疗应用效果中的潜力。
Aug, 2024