Time-Frequency Complexity Maps for EEG-Based Diagnosis of Alzheimer’s Disease Using a Lightweight Deep Neural Network
Notice bibliographique
Résumé
Alzheimer’s disease (AD) is a neurodegenerative disorder with an unknown etiology and a significant prevalence. Rapid and accurate detection of AD is crucial to assist in a more effective and tailored treatment plan to delay the progression of the disease. This paper introduces a novel approach based on a time-frequency complexity map (complextrogram) for the automated AD diagnosis. The complextrogram is the topographic complexity level of an EEG signal, plotted as a function of time and frequency. The complextrogram representations were fed into a well-known lightweight deep neural network called MobileNet for robust performance on resource and accuracy tradeoffs. The experiments were performed using a five-fold cross-validation technique on a publicly available database containing clinical EEG recordings from 24 patients with AD and 24 healthy, age-matched controls. The proposed pipeline provided competitive performance with just 2.2 M parameters and achieved the best overall accuracy for some locations in the frontal lobes (Fp2 and F8 channels). For both channels, the classification accuracy was 100%. Also, the violin plot was used to get further details of the distribution of complexity values for specific frequency rhythms. After statistical evaluation, it was observed that neurodegenerative conditions caused changes in chaotic behaviors, including increased delta complexity and decreased alpha complexity. Results demonstrated that the complextrogram representation proved its potency for the input quality required by the deep learning architectures. Furthermore, the complextrogram method is a promising pathway to discriminate and reflect the fundamental characteristics of AD abnormalities.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».