Alzheimer's Disease Diagnosis and Severity Level Detection Based on Electroencephalography Modulation Spectral “Patch” Features
Notice bibliographique
Résumé
Over the last two decades, electroencephalography (EEG) has emerged as a reliable tool for the diagnosis of cortical disorders such as Alzheimer's disease (AD). Typically, resting-state EEG (rsEEG) signals have been used, and traditional frequency bands (delta, theta, alpha, beta and gamma) have been explored. Recent studies, however, have suggested that non-conventional bands may lead to improved diagnostic performance. In this work, we propose a new type of features derived from the 2-dimensional modulation spectral domain representation of the rsEEG signal in order to characterize the neuromodulatory deficit emergent with AD. The proposed features are computed as the power in specific "patches" or regions of interest in the power modulation spectrogram, which are shown to be highly discriminant of AD severity levels. The proposed features were compared with traditional features used in the rsEEG AD monitoring literature. Results showed the proposed features not only achieving improved performance at discriminating between healthy normal elderly controls (Nold) and AD patients with varying severity levels, but also at monitoring severity levels (i.e., mild AD versus moderate AD). Moreover, the proposed features were shown to outperform traditional rsEEG features. Finally, we validated the biological origin of the proposed features by using source localization and comparing the obtained results with ones reported in the AD literature.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».