Enhanced Alzheimer’s detection with EEG source imaging and multi-branch joint attention
Notice bibliographique
Résumé
Abstract Objective . Alzheimer’s disease (AD) is a neurodegenerative disorder detectable via electroencephalogram (EEG). Traditional EEG-based AD detection methods do not fully leverage spatial information about brain activity and the correlation between different frequency bands, leading to suboptimal cross-patient performance. Approach . We propose a new multi-branch joint attention network (MJANet) based on electrophysiological source imaging (ESI) to create comprehensive spatial power maps, improving the spatial resolution of EEG. The MJANet incorporates a multi-branch joint attention (MBJA) mechanism to capture interactions across different frequency bands. The MJANet employs a new MBJA mechanism to capture interactions across frequency bands and a moving shifted window to capture global image features. It analyzes correlations between activities in various bands and brain regions to boost cross-patient detection capabilities. Main results . The proposed approach is validated on a public dataset with a leave-one-subject-out cross-validation strategy, achieving an 85.23% accuracy rate in differentiating AD from normal controls (NC), representing an 8.03% improvement over the state-of-the-art. Moreover, it achieves 75.57% accuracy in distinguishing frontotemporal dementia (FTD) from NC, and 63.97% for the classification of AD, NC, and FTD. We utilize GradCAM to visualize the joint attention mechanism, providing insights into its decision-making process. Significance . This work explores a novel biomarker that has the potential to enhance clinical diagnostic methods and improve diagnostic accuracy.
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 | 0,000 | 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 ».