Entropy and Fractal Analysis of EEG Signals for Early Detection of Alzheimer's Dementia
Notice bibliographique
Résumé
The rapid progression of diseases in the elderly, such as Alzheimer's Dementia (AD), necessitates effective early detection mechanisms to ensure appropriate healthcare provision.Given the consistently increasing prevalence of AD, the potential for emerging socio-economic challenges is significant.This underlines the importance of developing early detection strategies to mitigate the progression of this disease.Electroencephalograms (EEG) present a promising avenue for the early diagnosis of AD.EEG signals harbor crucial information pertaining to neuronal death triggered by amyloid plaque accumulation, a characteristic feature of AD.Spectral analysis reveals a deceleration in signal activity in AD patients when compared to healthy elderly individuals.However, this method is frequently compromised by low-frequency noise, necessitating the exploration of alternative approaches for analyzing EEG signal features for early AD detection.Considering the complex nature of EEG signals, it is hypothesized that pathological conditions, such as AD, may induce alterations in signal complexity.In this study, an early detection model for AD was simulated utilizing an approach that focused on EEG signal complexity.Complexity analysis, incorporating Spectral Entropy (SpecEn) and fractal dimensions, was calculated across 19 EEG channels from a total of 34 subjects (16 normal and 18 with Mild Cognitive Impairment (MCI)).Performance validation of the proposed method was achieved through Linear Discriminant Analysis (LDA), yielding an accuracy of 82.4%, specificity of 77.8%, and sensitivity of 87.5%.The findings from this study suggest that EEG analysis can serve as a reliable tool for the early detection of AD.
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 | 0,001 |
| 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 ».