Deep learning with EEG spectrograms in rapid eye movement behavior disorder
Notice bibliographique
Résumé
Abstract REM Behavior Disorder (RBD) is now recognized as the prodromal stage of α -synucleinopathies such as Parkinson’s disease (PD). In this paper, we describe deep learning models for diagnosis/prognosis derived from a few minutes of eyes-closed resting electroencephalography data (EEG) collected from idiopathic RBD patients (n=121) and healthy controls (HC, n=91). A few years after the EEG acquisition (4 ± 2 years), a subset of the RBD patients eventually developed either PD (n=14) or Dementia with Lewy bodies (DLB, n=13), while the rest remained idiopathic. We describe first a simple convolutional neural network (DCNN) with a five-layer architecture combining filtering and pooling, which we train using stacked multi-channel EEG spectrograms. We treat the data as in audio or image classification problems where deep networks have proven highly successful by exploiting compositional and translationally invariant features in the data. For comparison, we study an even simpler deep recurrent neural network using three stacked Long Short Term Memory network (LSTM) cells or gated-recurrent unit (GRU) cells—with very similar results. The performance of these networks typically reaches 80% (±1%) classification accuracy in the balanced HC vs. PD-outcome classification problem. In particular, using data from a single EEG channel we obtain an area under the curve (AUC) of 87% (±1%) while avoiding spectral feature selection. The trained classifier can also be used to generate synthetic spectrograms to study what spectrogram features are relevant for classification, pointing to the presence of theta band bursts and a decrease of power in the alpha band in future PD or DLB patients compared to HCs. We conclude that deep networks may provide a key tool for the analysis of EEG dynamics even from relatively small datasets and enable the delivery of new biomarkers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».