EEG low conventional bands non‐linear machine learning‐based analysis for Classifying MCI and sleep quality as a function of brain complexity
Notice bibliographique
Résumé
BACKGROUND: Good sleep quality is essential for both physiological and mental health. It helps in clearing TAU and beta-amyloid aggregates and consolidating memory, key processes in delaying dementia. Poor sleep is linked to reduced cognitive flexibility in daily life, likely due to decreased brain complexity, reflecting a reduced range of adaptive spatiotemporal brain dynamics. This study introduces a novel approach using non-linear EEG analysis focused on low conventional bands to classify sleep quality in individuals with mild cognitive impairment (MCI), based on brain complexity. METHOD: Resting-state EEG was collected from 22 participants with MCI aged 60+, grouped by sleep quality (Pittsburgh Sleep Quality Index): 11 MCI with good sleep, and 11 MCI with poor sleep (Table 1). EEG data (128 channels, 5-minute recordings) were normalized and decomposed using the Discrete Wavelet Transform to reach delta (1-4 Hz) and theta (4-8 Hz) bands. Ten non-linear complexity features, namely approximate entropy, correlation dimension, detrended fluctuation analysis, energy, Higuchi fractal dimension, Hurst exponent, Katz fractal dimension, Boltzmann Gibbs entropy, Lyapunov exponent and Shannon entropy, were extracted from 5 second segments. Statistical measures (mean, standard deviation, 95th percentile, variance, median, kurtosis) were computed from these time-distribution features. These statistics were then used for training and testing a set of classic machine learning classifiers, employing leave-one-out cross-validation (Figure 2). RESULTS: Brain complexity successfully classified sleep quality in MCI, achieving an accuracy and area under the curve (AUC) of 1 in channel D13 (delta subband) using Quadratic Discriminant Analysis (QDA), and an accuracy of 0.94 and an AUC of 0.95 in channel B17 (theta subband) using the Extra Trees Classifier (ETC) (Figure 3). CONCLUSION: Specific machine learning classifiers distinguish excellently sleep quality in MCI using spatiotemporal complexity features from slow EEG subbands. The most relevant channels for group discrimination were primarily located in bilateral temporal regions of the neocortex known to be among the first affected in amnestic MCI, as previously shown in neuroimaging studies. Future longitudinal studies could investigate whether changes in brain complexity within these slow-frequency temporal regions, influenced by sleep quality, are associated with an earlier or faster onset of dementia.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».