A Data-Driven Eeg Framework For Multiclass Dementia Classification Via Spectral, Microstate, And Connectivity Features
Notice bibliographique
Résumé
Accurate differential screening of Alzheimer’s disease (AD) and frontotemporal dementia (FTD) remains difficult, motivating scalable EEG-based decision support; however, prior work often benchmarks spectral, microstate, and connectivity features separately and uses heuristic dimensionality reduction. Using a public OpenNeuro eyes-closed resting-state EEG dataset (N=88; 10–20 montage; 500 Hz), we built a standardized pipeline including EEGLAB preprocessing (filtering, ICA artifact removal), temporal standardization (60–360 s), multi-domain feature extraction (spectral band power, theta–alpha ratio, aperiodic 1/f exponent, alpha peak frequency; wPLI-based connectivity with graph metrics; four-class microstate parameters), and leakage-controlled dimensionality reduction via PCA with parallel analysis to automatically determine retained components within each training fold. We compared Elastic Net, RBF-SVM, and Random Forest (500 trees) using repeated 5-fold cross-validation over 100 cycles, evaluating classwise precision/recall/F1 and an integrated radar-area index capturing balanced multi-class performance across AD/FTD/controls. Across models, FTD was frequently misclassified as AD, indicating limited intrinsic separability from resting EEG alone. Feature representation was the dominant determinant of performance: microstate features yielded the largest and most balanced radar areas, spectral features were intermediate, and connectivity features were weakest. The proposed workflow provides a reproducible benchmarking template and practical guidance for EEG/BCI-oriented dementia screening systems.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,002 | 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 ».