Multimodal Deep Learning–Based EEG Health Scoring Model for Mild Cognitive Impairment
Notice bibliographique
Résumé
With global population aging, Alzheimer’s disease (AD) and its prodromal stage—mild cognitive impairment (MCI)—are major public health concerns, and early detection is crucial. This study characterizes frequency-specific reorganization of functional networks in MCI and develops an interpretable EEG-based health scoring model. Sixty-nine older adults (MCI and healthy controls) underwent 64-channel resting-state EEG; functional connectivity across five bands was computed using the weighted phase lag index (WPLI). We designed a multimodal framework integrating a graph attention network (GAT) for spatial connectivity, a Transformer for temporal dynamics, and clinical features; attention was examined at group, edge, and ROI levels to enhance interpretability. Results showed pronounced beta-band (13–30 Hz) abnormalities in fronto-temporo-parietal circuits, whereas delta-band (1–4 Hz) differences were mainly in temporal dynamics. Network analysis revealed reduced organized subnetworks with compensatory increases in selected connections. The health scoring model performed best in the beta band (MAE=2.28; RMSE=3.57). A consistent offset from Montreal Cognitive Assessment (MoCA) suggested sensitivity to preclinical neurophysiological changes. Combining GAT-based spatial and Transformer-based temporal modeling shows potential for accurate and interpretable MCI assessment, with promise for rapid and scalable early screening and longitudinal monitoring.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».