A Deep Convolutional-Recurrent Neural Network Architecture for Parkinson’s Disease EEG Classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Parkinson's disease (PD), characterized by slowness of movement, tremor and rigidity, is one of the most prevalent neurodegenerative disorders. Recent studies have demonstrated that abnormal neural oscillations within and between multiple brain regions play a critical role in the motor symptoms through invasive neural recordings. Progressions have been also made in EEG studies to use features in cortical oscillations recorded non-invasively as a diagnostic tool for PD. However, it is still challenging to effectively use EEG recordings for PD diagnosis. In this work, we design a novel deep learning framework for PD EEG classification. Specifically, the convolutional neural network (CNN) and the recurrent neural network (RNN) with long shortterm memory (LSTM) cells are exploited in our framework. First, we design two 1D-CNN layers to derive features to represent spatial (topological) relationships across EEG channels. Then, we apply LSTM on the spatial features from the CNN to further improve its performance. Finally, we validate our model on the PD classification on resting EEG recorded from 20 PD and 21 healthy subjects. Our method achieves accuracy of 96.9%, precision of 100%, and recall of 93.4% for differentiating PD from healthy controls and outperforms the state-of-the-art PD EEG classification results in the deep learning 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.
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 découle