基于深度学习的皮层下信号图像表示痴呆分类
信号处理
2024-08-21 v1 机器学习
摘要
痴呆是一种以认知衰退为特征的神经综合征。阿尔茨海默病（AD）和额颞叶痴呆（FTD）是痴呆的常见形式，各自具有不同的进展模式。脑电图（EEG）是一种用于记录大脑活动的非侵入性工具，已显示出在区分 AD 与 FTD 以及轻度认知障碍（MCI）方面的潜力。先前研究利用了各种 EEG 特征，如子带功率和连接模式来区分这些状况。然而，EEG 信号中的伪影可能会掩盖关键信息，需要先进的信号处理技术。本研究旨在通过分析来自深层脑区——即海马体、杏仁核和丘脑——的探索性时间序列信号，开发一种基于深度学习的痴呆分类系统。该研究利用标准化低分辨率脑电磁断层扫描（sLORETA）技术提取探索性时间序列。时间序列通过连续小波变换（CWT）转换为图像表示，并作为输入送入深度学习模型。两个高密度 EEG 数据集被用于检验所提方法的有效性：在线 BrainLat 数据集（包含 AD、FTD 和健康对照组 HC）以及自建的 IITD-AIIA 数据集（包含 AD、MCI 和 HC 受试者）。采用了不同的分类策略和分类器组合，以在两个数据集上实现准确的类别映射。最佳结果通过结合左右皮层下区域的分类器概率乘积与 DenseNet 模型架构实现。在 BrainLat 和 IITD-AIIA 数据集上分别取得了 94.17% 和 77.72% 的准确率。这突显了该方法在早期和准确区分神经退行性疾病方面的潜力。
引用
@article{arxiv.2408.10816,
title = {Deep Learning-based Classification of Dementia using Image Representation of Subcortical Signals},
author = {Shivani Ranjan and Ayush Tripathi and Harshal Shende and Robin Badal and Amit Kumar and Pramod Yadav and Deepak Joshi and Lalan Kumar},
journal= {arXiv preprint arXiv:2408.10816},
year = {2024}
}