Detecting Alzheimer Disease in EEG Data with Machine Learning and the Graph Discrete Fourier Transform
Notice bibliographique
Résumé
A bstract Alzheimer Disease (AD) poses a significant and growing public health challenge worldwide. Early and accurate diagnosis is crucial for effective intervention and care. In recent years, there has been a surge of interest in leveraging Electroen-cephalography (EEG) to improve the detection of AD. This paper focuses on the application of Graph Signal Processing (GSP) techniques using the Graph Discrete Fourier Transform (GDFT) to analyze EEG recordings for the detection of AD, by employing several machine learning (ML) and deep learning (DL) models. We evaluate our models on publicly available EEG data containing 88 patients categorized into three groups: AD, Frontotemporal Dementia (FTD), and Healthy Controls (HC). Binary classification of dementia versus HC reached a top accuracy of 85% (SVM), while multiclass classification of AD, FTD, and HC attained a top accuracy of 44% (Naive Bayes). We provide novel GSP methodology for detecting AD, and form a framework for further experimentation to investigate GSP in the context of other neurodegenerative diseases across multiple data modalities, such as neuroimaging data in Major Depressive Disorder, Epilepsy, and Parkinson disease.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».