机构名称：
¥ 1.0
将正电子发射断层扫描（PET）用作β-淀粉样蛋白（Aβ）脑病理学的初始或唯一生物标志物可能会抑制阿尔茨海默氏病（AD）由于成本，获取和耐受性而引起的药物开发和临床使用。我们开发了一种QEEG-ML算法，以预测主观认知下降（SCD）和轻度认知障碍（MCI）患者之间的β病理，并使用βPET验证了它。我们比较了MCI患者与患有和没有PET固定的β-淀粉样蛋白斑块患者之间的QEEG数据。We compared resting-state eyes-closed electroencephalograms (EEG) patterns between the amyloid positive and negative groups using relative power measures from 19 channels (Fp1, Fp2, F7, F3, Fz, F4, F8, T3, C3, Cz, C4, T4, T5, P3, Pz, P4, T6, O1, O2), divided into eight frequency bands, delta （1-4 Hz），theta（4-8 Hz），Alpha 1（8-10 Hz），Alpha 2（10-12 Hz），β1（12-15 Hz），β2（15-20 Hz），Beta 3（20-30 Hz）和gamma（30-45 Hz），由Fft和DeNocy cancys cancys concy.s.使用遗传算法策略分析了所得的152个特征，以识别最佳特征组合并最大程度地提高分类精度。在基因建模方法的指导下，我们将脑电图的每个通道和频率带作为基因，并在给定维度内用所有可能的组合对其进行了建模。然后，我们收集了显示出最佳性能并识别出在上级模型中最常出现的基因的模型。通过重复此过程，我们收集了一个近似最佳的模型。我们发现，随着遗传算法的这种迭代发展的发展，平均性能的增加。我们最终达到了85.7％的敏感性，89.3％的特异性，SCD淀粉样蛋白阳性/负分类的精度为88.6％，83.3％的敏感性和83.3％的敏感性，85.7％的特异性特异性，而MCI MCI淀粉样蛋白淀粉样蛋白阳性阳性/负分类的精度为84.6％。
机器学习可以预测前...
主要关键词
相关文件推荐
