利用EEG研究脑连接与区域统计量以实现早期帕金森病分类
神经元与认知
2024-08-02 v1 人工智能
信号处理
摘要
我们评估了将脑连接度量与信号统计量相结合，用于基于脑电图(EEG)数据进行早期帕金森病(PD)分类的有效性。数据来自5种唤醒状态——清醒和四个睡眠阶段(N1、N2、N3和REM)。我们的流程使用Ada Boost模型对一个具有挑战性的早期PD分类任务进行分类，仅有30名参与者(11名PD患者，19名健康对照)。评估了9种脑连接度量，我们发现每种唤醒状态下的最佳连接度量各不相同，相位滞后指数(PLI)在N1数据上取得了最高的单独分类准确率86%。此外，我们的流程使用区域信号统计量取得了78%的准确率，仅使用脑连接取得了86%的准确率，而将两者结合则取得了最佳准确率91%。这一最佳性能是在N1数据上使用PLI结合来自EEG信号频率特征的统计量实现的。该模型还取得了80%的召回率和96%的精确率。此外，我们发现在每个唤醒状态的数据上，将PLI与区域信号统计量相结合相较于单独使用信号统计量或仅使用脑连接均提高了分类准确率。因此，我们得出结论，将脑连接统计量与区域EEG统计量相结合是早期帕金森病分类器性能的最优选择。此外，我们发现N1 EEG在帕金森病分类中表现更优，我们预期这可能是由于PD中N1睡眠受到干扰。这应在未来的工作中加以探索。
引用
@article{arxiv.2408.00711,
title = {Investigating Brain Connectivity and Regional Statistics from EEG for early stage Parkinson's Classification},
author = {Amarpal Sahota and Amber Roguski and Matthew W Jones and Zahraa S. Abdallah and Raul Santos-Rodriguez},
journal= {arXiv preprint arXiv:2408.00711},
year = {2024}
}