基于机器学习从静息态EEG检测帕金森病：一项多中心研究
信号处理
2023-03-03 v1 机器学习
摘要
静息态EEG（rs-EEG）已被证明有助于帕金森病（PD）的诊断。特别是，低频带（δ和θ）与高频带（α和β）的功率谱密度（PSD）在PD患者与无PD受试者（非PD）之间表现出显著差异。然而，rs-EEG特征提取及其解释可能耗时且易受检查者差异影响。机器学习（ML）有潜力使rs-EEG记录的分析自动化，并为临床医生提供辅助工具以减轻其工作负担。在本工作中，我们使用来自四个不同中心数据集汇总的84名PD与85名非PD受试者的rs-EEG记录。我们提出一个端到端流程，包括预处理、从临床验证的频率带提取PSD特征，以及在进行ML算法评估特征分类能力以区分PD与非PD受试者之前的特征选择。此外，鉴于数据集的多中心性质，我们评估了特征协调的效果。我们的验证结果显示，在协调特征并执行单变量特征选择（k = 202个特征）时，逻辑回归的PD检测能力平均有所提升（69.6%对比75.5%准确率）。我们的最终结果显示平均全局准确率为72.2%，且研究中所有中心的平衡准确率结果分别为：60.6%、68.7%、77.7%和82.2%。
引用
@article{arxiv.2303.01389,
title = {Machine Learning-Based Detection of Parkinson's Disease From Resting-State EEG: A Multi-Center Study},
author = {Anna Kurbatskaya and Alberto Jaramillo-Jimenez and John Fredy Ochoa-Gomez and Kolbjørn Brønnick and Alvaro Fernandez-Quilez},
journal= {arXiv preprint arXiv:2303.01389},
year = {2023}
}