Generalizable electroencephalographic classification of Parkinson's disease using deep learning
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
Growing interest surrounds the use of electroencephalography (EEG) and deep learning for diagnosing neurological conditions like Parkinson's Disease (PD). Despite the existing proof-of-concept literature demonstrating the potential of deep learning in classifying PD from EEG data, neurologists have been slow to adopt these tools due to insufficient evidence of their real-world diagnostic generalizable performance. Our study aimed to evaluate the potential of deep learning for inter-subject PD classification using a conservative training approach and testing on an external independent dataset. Specifically, we utilized publicly available resting-state EEG data from PD patients at two separate centers, the University of New Mexico (n = 54) and the University of Iowa (n = 28), as our training and testing sets, respectively. Each of these recordings had a minimum of 2 min of data. We implemented a channel-wise convolutional neural network, tuning it with a leave-one-subject-out cross-validation approach. Our approach achieved a patient-level accuracy of 80.4% (epoch-level accuracy = 72.7%), which remained consistent when tested on the external dataset (patient-level accuracy = 82.8%, epoch-level accuracy = 75.7%). Our model performs equal-or-better than other standard classification models and our approach compares favourably to similar works. Our publicly available code serves as a foundation for future research exploring different deep learning architectures, investigating other pathologies, and involving larger datasets with the hope of accelerating the adoption of objective computational approaches for the diagnosis and monitoring of neurological disorders.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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