通过多模态 EEG 特征的晚期融合提升阿尔茨海默病诊断
信号处理
2025-12-18 v1
摘要
阿尔茨海默病 (AD) 是一种渐进性神经退行性疾病，特点是认知功能下降，其中早期检测对于及时干预和改善患者预后至关重要。传统诊断方法耗时且需要专家解读，因此，自动化方法备受期待。本研究提出一种新型深度学习框架，用于基于电脑神经图谱 (EEG) 信号的 AD 诊断，集成了包括 α 波分析、离散小波变换 (DWT) 和马尔可夫传递场 (MTF) 在内的多种特征提取技术。采用晚期融合策略将这些不同表示上独立训练的神经网络的预测结果组合，捕捉 EEG 数据中时频域模式。该模型在公开数据集上获得 87.23% 的分类准确率，精确率为 87.95%，召回率为 86.91%，F1 分数为 87.42%，显示其在可靠、可扩展的早期 AD 筛查方面的潜力。严格的预处理和针对 α 频段的选择（尤其是由于其认知相关性），进一步提高了性能。这一工作凸显了深度学习在支持医生高效可及地进行早期 AD 诊断方面的潜力。
引用
@article{arxiv.2512.15246,
title = {Enhancing Alzheimer's Detection through Late Fusion of Multi-Modal EEG Features},
author = {Nguyen Thanh Vinh and Manoj Vishwanath and Thinh Nguyen-Quang and Nguyen Viet Ha and Bui Thanh Tung and Huy-Dung Han and Nguyen Quang Linh and Nguyen Hai Linh and Hung Cao},
journal= {arXiv preprint arXiv:2512.15246},
year = {2025}
}