基于EEG的可解释早期帕金森病分类
神经元与认知
2023-12-11 v2 机器学习
摘要
利用EEG数据检测早期帕金森病是一项重大挑战。本文引入一种新方法，将EEG数据表示为带功率和峰值频率值/系数的15变量序列。假设该表示捕获了噪声EEG信号中的本质信息，从而改善疾病检测。从该表示中提取的统计特征被用作可解释机器学习模型（ specifically决策树和AdaBoost分类器）的输入。我们的分类流程部署于所提出的框架内，该框架能够识别对分类具有高重要性的数据类型和脑区。有趣的是，我们的分析显示，虽然不存在显著的脑区重要性，但N1睡眠数据类型对早期帕金森病分类表现出统计显著的预测能力（p < 0.01）。在N1数据类型上训练的AdaBoost分类器持续优于基线模型，准确率和召回率均超过80%。我们的分类流程在统计上显著优于基线模型，表明该模型已获取有用信息。结合我们流程的可解释性（查看特征重要性的能力），这使我们能对早期帕金森病的分类产生有意义的见解。未来，这些模型可部署于现实世界——本文呈现的结果表明，我们的流程可捕获超过3/4的早期帕金森病病例。
引用
@article{arxiv.2301.09568,
title = {Interpretable Classification of Early Stage Parkinson's Disease from EEG},
author = {Amarpal Sahota and Amber Roguski and Matthew W. Jones and Michal Rolinski and Alan Whone and Raul Santos-Rodriguez and Zahraa S. Abdallah},
journal= {arXiv preprint arXiv:2301.09568},
year = {2023}
}