Welch Spectral Analysis and Deep Learning Approach for Diagnosing Alzheimer's Disease from Resting-State EEG Recordings
Notice bibliographique
Résumé
Alzheimer's disease (AD) is a serious and progressive neuronal disease that damages brain cells, resulting in loss of cognitive function and memory.Early diagnosis is crucial for medical intervention to prevent brain damage and preserve daily functioning for longer.In this study, a deep learning approach was proposed for early diagnosis of AD from electroencephalography (EEG) recordings at resting-state.The dataset contains EEG recordings of 24 healthy individuals and 24 Alzheimer's patients.To extract the features from the EEG recordings, the power spectral densities of the frequencies between 1-49 Hz were calculated using the welch spectral analysis method.Using extracted features, the performances of random forest (RF), k-nearest neighbor (kNN), support vector machine (SVM), and bidirectional long-short term memory algorithms were compared.In addition, under different resting state conditions (open eyes; closed eyes; open eyes and closed eyes), the effectiveness of EEG signals was analyzed.As a result of the experiments, the bidirectional long-short term memory algorithm had the highest performance.The algorithm achieved promising performance with 98.85% accuracy, 0.986 recall, 0.990 precision, 0.990 specificity, 0.988 f1-score, and 0.977 Matthews correlation coefficient.The combination of the welch spectral analysis and the bidirectional long-short term memory deep learning approach can be used to accurately and effectively distinguish AD and HC groups from resting-state EEG recordings.More accuracy was achieved in this study compared to investigations using cutting-edge technology.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».