基于多通道 EEG 四元数主成分分析的脑连通性研究用于阿尔茨海默病分类
信号处理
2025-05-22 v1
摘要
通过大规模筛查早期检测阿尔茨海默病 (AD) 已成为缓解其巨大全球影响的主要策略。EEG 测量为广泛的 AD 检测提供了有前景的解决方案。然而，多通道 EEG 信号的复杂非线性动力学为实时 AD 诊断带来了很大挑战。本文引入一种新型算法，基于多通道 EEG 信号的四元数主成分分析 (QPCA) 用于 AD 分类。该算法提取不同通道之间的高维相关性，以生成最大代表性且信息冗余最小的特征。这为疾病评估提供了多维且精确的脑连通性度量。已对算法性能进行仿真评估，并识别出最关键的 EEG 通道或脑区用于 AD 分类。结果显示，在 α 波中连通性度量显著下降。所有 4 通道组合的平均 AD 分类准确率达到 95%，而某些特定通道排列组合实现了 100% 的准确率。此外，鉴于 EEG 信号是在听觉刺激呈现时记录的，时态叶柱被确定为 AD 分类中最重要的区域之一。对 QPCA 算法关键参数的选择进行了评估，并提出了一些建议以进一步提高性能。本文首次将 QPCA 算法应用于多通道 EEG 信号的 AD 分类和脑连通性分析。
引用
@article{arxiv.2505.15052,
title = {Study of Brain Connectivity by Multichannel EEG Quaternion Principal Component Analysis for Alzheimer Disease Classification},
author = {Kevin Hung and Gary Man-Tat Man and Jincheng Wang},
journal= {arXiv preprint arXiv:2505.15052},
year = {2025}
}
备注
15 pages, 12 figures, journal original paper