机构名称：
¥ 1.0
背景：阿尔茨海默病 (AZD) 是一种退行性神经系统疾病，会导致痴呆并导致大脑萎缩。虽然 AZD 无法治愈，但早期发现和及时治疗可以减缓其进展。AZD 可以通过脑电图 (EEG) 信号有效识别。但是，分析 EEG 信号具有挑战性，因为它们会快速自发地变化。此外，由于机器学习或深度学习模型的预测缺乏可解释性，临床医生对现有模型的信任度很低。方法：本文提出了一种新颖的 Adazd-Net，这是一种使用 EEG 信号自动识别 AZD 的自适应和解释性框架。我们提出了自适应灵活分析小波变换，它可以自动适应 EEG 的变化。这项工作还探索了有效系统性能所需的最佳特征数量，以及最具判别性的通道的发现。本文还介绍了可用于解释分类器模型提供的个体和整体预测的技术。结果：我们通过十倍交叉验证策略在检测 AZD EEG 信号时获得了 99.85% 的准确率。结论：我们提出了一种精确且可解释的 AZD 检测技术。研究人员和临床医生可以使用我们提出的模型来调查有关 AZD 期间大脑变化的隐藏信息。我们开发的 Adazd-Net 模型可用于医院场景中检测 AZD，因为它准确且稳健。© 2023 作者。由 Elsevier BV 出版这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
Adazd-Net：使用 EEG 信号的自动自适应和可解释的阿尔茨海默病检测系统
主要关键词
相关文件推荐
