机构名称：
¥ 1.0
帕金森病 (PD) 是一种进行性神经退行性疾病，影响全球超过 1000 万人的生活质量。早期诊断对于及时干预和改善患者预后至关重要。脑电图 (EEG) 信号通常用于早期 PD 诊断，因为它们在监测疾病进展方面有潜力。但传统的基于 EEG 的方法缺乏对提供有关 PD 基本信息的大脑区域的探索，而且它们的性能不适合实时应用。为了解决这些限制，本研究提出了一种新方法，使用基于时频表示 (TFR) 的 AlexNet 卷积神经网络 (CNN) 模型来探索基于 EEG 通道的分析并从 EEG 数据中识别有效诊断 PD 的关键大脑区域。小波散射变换 (WST) 用于捕捉不同的时间和光谱特征，而 AlexNet CNN 用于检测不同尺度的复杂空间模式，准确识别与 PD 相关的复杂 EEG 模式。在两个实时 EEG PD 数据集（圣地亚哥数据集和爱荷华数据集）上的实验结果表明，与其他区域相比，大脑前额叶和中脑区域（包括 AF4 和 AFz 电极）在提供更具代表性的特征方面做出了巨大贡献，可用于 PD 检测。所提出的架构在圣地亚哥数据集和爱荷华数据集上分别实现了 99.84% 和 95.79% 的惊人准确率，优于现有的基于 EEG 的 PD 检测方法。这项研究的成果将有助于创建一种高效 PD 诊断的基本技术，从而提高患者护理水平和生活质量。
有效的帕金森病检测框架
主要关键词
相关文件推荐
