早期检测对于控制阿尔茨海默病 (AD) 进展和延缓认知衰退至关重要。磁共振成像等传统医疗程序成本高昂,需要长时间等待,并且需要复杂的分析。或者,在过去几年中,研究人员已经成功评估了基于机器学习和脑电图 (EEG) 的 AD 检测方法。尽管如此,这些方法通常依赖于手动处理或涉及非便携式 EEG 硬件。这些方面对于自动诊断而言并不理想,因为它们需要额外的人员并妨碍便携性。在这项工作中,我们报告了基于使用 16 个通道的商业 EEG 采集系统的自驱动 AD 多类判别方法的初步评估。为此,我们记录了三组参与者的 EEG:轻度 AD、轻度认知障碍 (MCI) 非 AD 和对照组,并实施了自驱动分析流程来区分这三组。首先,我们将自动伪影剔除算法应用于 EEG 记录。然后,我们从预处理的时期中提取了功率、熵和复杂性特征。最后,我们通过留一交叉验证使用多层感知器评估了多类分类问题。我们获得的初步结果与文献中的最佳结果(0.88 F1 分数)相当,这表明可以通过基于商业 EEG 和机器学习的自驱动方法检测 AD。我们相信这项工作和进一步的研究可能有助于在一次咨询会话中检测 AD,从而降低与 AD 筛查相关的成本并可能推进医疗治疗。© 2022 作者。由 Elsevier BV 出版这是一篇根据 CC BY-NC-ND 许可的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)
主要关键词