Generalizable electroencephalographic classification of Parkinson’s Disease using deep learning
Notice bibliographique
Résumé
Abstract There is growing interest in using electroencephalography (EEG) and deep learning (DL) to aid in the diagnosis of neurological conditions like Parkinson’s Disease (PD). Many existing DL approaches to classify PD from EEG data cite performance metrics in the high 90% accuracies, but may be grossly overestimating their real-word capabilities due to information-leakage between training and testing data. Our aim was to characterize the potential of deep learning for classifying PD using a conservative training approach with unseen external testing data. We used publicly available resting-state EEG data from patients with PD from two seperate centers (University of New Mexico (n = 54) and University of Iowa (n = 28)) for our training and testing sets, respectively. We implemented a channelwise convolutional neural network and tuned it using a subjectwise cross validation approach. We found that an approach commonly cited in the literature overestimated performance in excess of 20%, while our pipeline more conservatively estimated performance by epoch (accuracy: 69.2%; sensitivity: 66.5%; specificity: 72.2%) and by subject (accuracy: 77.4%, sensitivity: 76.9%, specificity: 77.8%). Moreover, we show that our model generalized well to an unseen and external testing dataset without degradation in performance by epoch (accuracy: 77.2; sensitivity: 83.5%; specificity: 71.0%) and by subject (accuracy: 83.8%, sensitivity: 88.6%, specificity: 79.0%). These results highlight the effect of information leakage and serve as a new benchmark for future generalization of DL approaches to classify PD using EEG data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».