Application of quantitative electroencephalography in digital screening for mild cognitive impairment
Notice bibliographique
Résumé
Objective To explore the quantitative electroencephalography (qEEG) characteristics of the prefrontal cortex in patients with mild cognitive impairment (MCI) during digital screening tasks for MCI screening. Methods A total of 592 MCI patients (MCI group) and 317 normal cognitively elderly individuals (control group) were recruited from 40 communities in Nanjing, Jiangsu Province, from July to August, 2024. All participants were assessed using Montreal Cognitive Assessment-Beijing Version (MoCA-BJ). Prefrontal EEG data were collected using a portable EEG device, and power spectral analysis was performed via Fast Fourier Transform. An XG-Boost algorithm was employed to construct an MCI identification model based on qEEG power features, and the model's performance was evaluated using receiver operating characteristic (ROC) curve. Results Compared with the control group, prefrontal δ, α, and β band power increased during screening tasks in MCI group (P＜0.05); δ power was negatively correlated with MoCA-BJ total scores, and visuospatial/executive function, attention and delayed recall scores (r=-0.269, -0.169, -0.133, -0.171, P＜0.001); α power was negatively correlated with MoCA-BJ total scores, attention and delayed recall scores (r=-0.113, -0.075, -0.091, P＜0.05). The XGBoost model based on δ and α power was excellent in MCI identification, with an area under the curve of 0.91, accuracy of 0.81, precision of 0.89, F1 score of 0.84, recall of 0.80, and specificity of 0.81. Conclusion MCI patients exhibit increased power in the prefrontal δ and α frequency bands during digital screening tasks, which is associated with cognitive decline. An XGBoost model based on qEEG power features can enable early prediction of MCI.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».