مقالة بحثية

نموذج مكدس آلي بالكامل لتخطيط EEG-Hyfusion لتصنيف مرض الزهايمر والخرف الجبهي-الصدغي

DOI:

10.3791/69762

⸱

فبراير 13, 2026

 , 
1Computer Science and Engineering, Presidency University, Bangalore

في هذه المقالة

إشعار تصحيح

Important: There has been an erratum issued for this article. View Erratum Notice

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقدم هذه المقالة خط استخلاص ميزات آلي يدمج نماذج تعزيز تحول نيكويست ونماذج التعلم الآلي للتمييز بين مرض الزهايمر، والخرف الجبهي الصدغي، والفئات الصحية دون الحاجة إلى تدخل بشري.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

مرض الزهايمر (AD) والخرف الجبهي الصدغي (FTD) هما اضطرابات تنكسية عصبية شائعة تعيق الذاكرة، الوظائف الإدراكية، والمعالجة التنفيذية. الغرض من هذه الدراسة هو تطوير خط أنابيب تعلم آلي مؤتمت بالكامل للتنبؤ بمرض الزهايمر في مرحلة مبكرة دون الحاجة لأي تدخل سريري. تقترح هذه المنهجية تحليلا كميا للتغيرات الدقيقة في النشاط العصبي. الهدف هو تطوير نظام موثوق وآلي بالكامل يستخدم بيانات تخطيط الدماغ لتصنيف المرضى إلى مجموعات AD، وFTD، ومجموعات تحكم صحية، مما يلغي الحاجة إلى التدخل البشري أو التقييمات السريرية. يكمن الابتكار الرئيسي في النظام في نهجه في معالجة الإشارات وخط أنابيب الميزات الآلي. على وجه التحديد، يستخدم التعديل الاستراتيجي لتردد نيكويست لتعزيز دقة إشارة EEG، بالتزامن مع طبقة دمج هجينة تدمج ميزات تخطيط الدماغ متعددة المجالات والبيانات الديموغرافية. بعد ذلك، فإن اختيار الميزات ثنائي الاتجاه القائم على ANOVA يحسن هذه المجموعة الهجينة. يسهل هذا التحسين استخراج الميزات بشكل أكثر فعالية، مما يساهم في دقة تصنيف أعلى. في الطريقة المقترحة، يتم تقسيم الترددات لإثراء مجموعة بيانات التدريب. وبالتالي يعطي نموذج الغابات العشوائية القياسي دقة تدريب بنسبة 99.72٪. لضمان متانة وتعميم الطريقة، تم اقتراح نموذج دمج هجين.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الأعراض الشائعة لمرض الزهايمر هي فقدان الذاكرة، ضعف الإدراك، أرق النوم، الارتباك، الارتباك، تغيرات الشخصية، وغيرها. لذلك، يمكن للتنبؤ المبكر أن يضمن عدم تدهور المرضى إلى أسوأ المستويات، حيث يحتاجون إلى المساعدة على مدار الساعة. هناك عدة طرق لتشخيص هذا المرض، مثل الرنين المغناطيسي1، التصوير المقطعي، PET2، وتخطيط الدماغ3. على وجه الخصوص، أثبتت إشارات تخطيط الدماغ الكهربائي مع MMSE أنها طريقة غير جراحية للتنبؤ بمرض الزهايمر. تتنوع ترددات إشارة EEG في ألفا، بيتا، ثيتا، غاما، ودلتا. يتم اكتشاف موجة ألفا عندما يكون الشخص في حالة استرخاء3. يتراوح تردد موجات ألفا بين 8 إلى 12 هرتز4. موجات بيتا نشطة خلال مرحلة التنبيه في الدماغ وتتراوح بين 13 إلى 30 هرتز4. موجات الثيتا والدلتا نشطتان في حالات النوم والنوم العميق على التوالي. نطاقات ترددها هي ثيتا (4-7 هرتز) ودلتا (< 3.5 هرتز) [4]. تعتمد طرق التشخيص التقليدية على التصوير والتقييمات السريرية، مثل MMSE، والتي غالبا ما تكون ذاتية ومكلفة، بينما تلتقط إشارات تخطيط الدماغ نشاط الدماغ في الوقت الحقيقي وتوفر بدائل فعالة.

يقترح هذا البحث خط أنابيب تشخيصية مؤتمت بالكامل يأخذ إشارات تخطيط الدماغ فقط كمدخل، مما يتجنب الحاجة إلى التقييم السريري. يمكن استخدام طرق مختلفة لاستخراج هذه الموجات من الدماغ. مرشح تمرير النطاق الترددي الذي يأخذ تردد نيكويست في الاعتبار هو طريقة لاستخراج ترددات EEG. يقلل تردد نيكويست من تردد أخذ العينة إلى النصف للحصول على وضوح أفضل في الإشارات المعالجة مسبقا. لذلك، فإن اختبار تخطيط الدماغ مع فحص الحالة الذهنية المصغرة (MMSE) هو طريقة يستخدمها أطباء الأعصاب لتقييم مراحل مختلفة من مرض الزهايمر (AD). أنشأ الاتحاد الأوروبي لعلماء الأعصاب5 إرشادات لتشخيص فئات مختلفة من هذا المرض.

تصنف هذه المقالة بشكل عام مرض الزهايمر (AD)، والخرف الجبهي الصدغي (FTD)، والأشخاص الأصحاء (فئة الضابطة). الخرف الجبهي الصدغي هو حالة في الدماغ البشري يتأثر فيها فقط الجزء الأمامي والفص الصدغي من الدماغ 6,7. يوضح الشكل 1 المناطق في الدماغ التي تتأثر عادة بالخرف الجبهي الصدغي (FTD)، بما في ذلك الفصوص الجبهية والصدغية. في هذه الدراسة، تم دمج ميزات مجال الزمن والتردد من إشارة EEG مع الميزات الديموغرافية. لضمان موضوعية واستقلالية إطار التعلم الآلي، تم استبعاد درجة اختبار الحالة الذهنية المصغرة (MMSE) عمدا من مجموعة الميزات. على الرغم من أن MMSE هو مقياس سريري واسع الاستخدام للتقييم المعرفي، إلا أنه يتأثر بطبيعته بتقييم الطبيب ويدخل تحيزا سائدا في مهام التصنيف. من خلال حذف MMSE، تهدف الطريقة المقترحة إلى تطوير نموذج تشخيصي معتمد على الذات ويعتمد على البيانات قادر على العمل بشكل مستقل عن المدخلات السريرية الذاتية، مما يدعم تطوير أدوات فحص مؤتمتة بالكامل تعتمد على الذكاء الاصطناعي في المستقبل. الميزات النهائية، باستثناء درجة MMSE، مصنفة ومقدمة لنموذج EEG-hyfusion المقترح. التفاصيل موضحة في قسم البروتوكول.

مسح الأدبيات

يوفر تخطيط كهربائي الدماغ (EEG) أداة غير جراحية وفعالة من حيث التكلفة للتشخيص المبكر للحالات العصبية. برز استخراج ميزات تخطيط الدماغ وتحليل نطاق التردد كوسيلة أساسية في علوم الأعصاب والبحث السريري، حيث تقدم رؤى حول نشاط الدماغ عبر مجموعة من الحالات الإدراكية والمرضية. اكتسب استخدام التعلم الآلي لتحليل بيانات تخطيط الدماغ الكهربائي زخما في السنوات الأخيرة، حيث امتدت التطبيقات من مراقبة الحالة المعرفية إلى التشخيص المبكر للاضطرابات العصبية مثل مرض الزهايمر. تسلط هذه الدراسة الأدبية الضوء على المساهمات الرئيسية والفجوات في الأبحاث القائمة المتعلقة باستخراج ميزات تخطيط الدماغ الكهربائي (EEG)، وتصنيفها، وتطوير النماذج.

الأهمية الإدراكية لإشارة تخطيط الدماغ

على الرغم من أن سوبها وآخرون أكدوا على ميزة مجال الزمن والتردد، RMS، التي تلتقط الطبيعة غير الثابتة لإشارات EEG بكفاءة، إلا أن عملهم لا يقدم أي بناء نموذجي. لذلك، اقترحت هذه الدراسة نماذج تعلم آلي لتحديد مدى دقة تشخيص المرض.

أظهرباري وآخرون العلاقة بين نطاقات تردد تخطيط الدماغ والحالات الإدراكية، حيث ربطوا نطاقات ترددية محددة (مثل موجات ألفا) بالاسترخاء والانتباه. استكشف بوزساكي10 الأهمية الفسيولوجية للتذبذبات العصبية ودورها في وظائف الدماغ، مؤكدا فائدة التحليل الترددي في دراسات تخطيط الدماغ الكهربائي. بينما تحليل نطاق التردد راسخ جيدا، لا تزال الحاجة إلى خطوط استخلاص الميزات الفعالة والقابلة للتوسع محور تركيز، خاصة في مجموعات البيانات عالية الأبعاد.

تقنيات استخراج الميزات باستخدام تخطيط الدماغ

استخدم سينكايا، كورناز وآخرون، ميزات طيفية مثل PSD والإنتروبيا للتنبؤ بمرض الزهايمر. تساعد هذه القوى الطيفية في التقاط تباطؤ نشاط الدماغ بدقة أكبر. على الرغم من أن العمل11 تناول الميزات الطيفية بفعالية، إلا أنه لم يدمج ميزات المجال الزمني مثل RMS. لذلك، تقترح هذه الدراسة خصائص مجال الزمن المستخرجة من ترددات مثل ألفا، بيتا، غاما، ثيتا، ودلتا.

راجع لوك وآخرون وكابنمان وآخرون 12 مؤشرات تخطيط الدماغ الكهربائي للانتباه والذاكرة العاملة، مؤكدين على أهمية ميزات نطاق التردد في التمييز بين الحالات المعرفية. استكشف كاساني وآخرون تخطيط الدماغ كأداة تشخيصية لمرض الزهايمر، مستفيدين من ميزات نطاق التردد لتحديد الإشارات العصبية للتدهور المعرفي. ناقش ميشيل وموراي14 فائدة تحليل تخطيط الدماغ متعدد القنوات لفهم العمليات الإدراكية والترابط العصبي، مما وضع الأساس لتطبيقات التعلم الآلي. على الرغم من هذه التطورات، لا يزال دمج خطوط استخلاص الميزات الآلي مع نماذج التعلم الآلي القابلة للتوسع، مثل Random Forest وXG-Boost، غير مستكشف بشكل كاف. تسلط الأدبيات الحالية الضوء على الجمع بين تحليل نطاق التردد وتقنيات التعلم الآلي للتطبيقات المعرفية والسريرية.

نماذج التعلم الآلي والاندماج الهجين لتصنيف الخرف

نماذج التعلم الآلي، وخاصة الطرق المعتمدة على المجموعات مثل XGBoost، أظهرت وعدا في تصنيف الميزات المشتقة من EEG15. تعالج هذه النماذج تعقيد وتغير إشارات EEG من خلال تعلم العلاقات غير الخطية بين ميزات الإدخال وتسميات الإخراج. على الرغم من أن الدراسة15 اقترحت نموذجا مناسبا، إلا أن درجة الدقة تتعرض للخطر.

قدم كرايك وآخرون مراجعة شاملة للتعلم العميق ونماذج التعلم الآلي التقليدية لتحليل تخطيط الدماغ الكهربائي، مسلطين الضوء على نجاح أطر تعزيز التدرج في البيانات المنظمة. طبق أبيري وآخرون XG-Boost على بيانات تخطيط الدماغ الكهربائي لتطبيقات واجهة الدماغ والحاسب، محققين أداء تصنيفا قويا بفضل قدرته على التعامل مع تكرار الميزات والضوضاء. أظهر أغابابائي وآخرون استخدام طرق المجموعة، بما في ذلك XG-Boost، في مهام التعرف على المشاعر المعتمدة على تخطيط الدماغ الكهربائي، مع الإبلاغ عن تحسينات في الدقة والتعميم مقارنة بالأساليب التقليدية. ومع ذلك، لا تزال هناك تحديات مثل مجموعات البيانات غير المتوازنة، وتمثيل بعض الفئات بشكل ناقص، وقابلية تفسير نماذج التعلم الآلي، مما يستلزم المزيد من البحث في تقنيات تحسين النماذج وتنظيمها.

استخدم تشنغ وآخرون تخطيط الدماغ الكهربائي في حالة الراحة وإغلاق العينين (19 قناة) لحساب قياسات الاتصال الوظيفي الزمني والتردد، ومدربين مصنفات تعلم الآلة لفصل الاضطراب ثنائي العصر، وFTD، والتحكم الصحي. ومع ذلك، أكدوا الحاجة إلى طرق تعزز تمثيل الإشارات وتوفر تصنيفا قويا للمجموعات.

تم تطبيق التصنيف القائم على تخطيط الدماغ بشكل واسع في علوم الأعصاب الإدراكية والمجالات السريرية. بينما توفر الدراسات السابقة أساسا قويا لتحليل تخطيط الدماغ الكهربائي المعتمد على التعلم الآلي، لا تزال هناك عدة ثغرات. تعتمد العديد من الدراسات على ميزات يدوية الصنع (مثل RMS، PSD)، والتي قد لا تلتقط كل المعلومات ذات الصلة. يمكن أن تكمل الهندسة الآلية للميزات وطرق التعلم العميق الأساليب التقليدية.

غالبا ما يؤدي عدم التوازن في مجموعات بيانات تخطيط الدماغ الكهربائي، خاصة في البيئات متعددة الفئات، إلى انحراف نتائج التصنيف. استراتيجيات مثل الوزن المخصص للفئة وتعزيز البيانات يمكن أن تحسن أداء الفئات الممثلة تمثيلا ناقصا. ومع ذلك، لا تزال هناك حاجة إلى خطوط أنابيب فعالة وقابلة للتفسير وقابلة للتعميم تدمج استخراج الميزات وتصنيف النماذج.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقوم الطريقة المقترحة بتقسيم إشارات EEG بشكل استراتيجي إلى مجال التردد لتحسين الدقة الطيفية. بعد ذلك، يتم تقسيم إشارات تخطيط الدماغ المكتوبة إلى 10 أجزاء لتعزيز الدقة الزمنية والاتساق في حساب الميزات. تنفذ الطريقة المقترحة مصنفا يعتمد على RF وXGBoost وSVM على ميزات EEG مشتقة، مما يساهم في تطوير طرق قوية وقابلة للتوسع لتحليل EEG. أثبت نموذج الترددات الراديوية مع بعض التغييرات في المعاملات الفائقة أنه الأفضل أداء بين النماذج القياسية الأخرى. لذلك، يقترح نموذج متعلمي ميتا هجين ومدمج، مكدس، يجمع بين RF وXG-Boost لتحسين دقة التنبؤ بشكل أكبر.

تم جمع مجموعة البيانات المستخدمة في هذه الطريقة وفقا للمعايير الأخلاقية المؤسسية. حصل مزودو مجموعة البيانات على موافقة المشاركين قبل جمع البيانات.

1. مواصفات مجموعة البيانات

لإثبات متانة النظام، تم استخدام مجموعتين من البيانات. تم جمع أول مجموعة بيانات من مستودع بيانات تخطيط الدماغ20، الذي يضم 88 مشاركا في حالة إغلاق العين في حالة الراحة، حيث تم تشخيص 36 منهم بمرض الزهور، و23 منهم يعانون من المرض الزائد، و29 بصحة جيدة. تم الحصول على تسجيلات EEG في حالة راحة وإغلاق العينين باستخدام نظام من 19 قناة بعد المونتاج الدولي 10-20. في مجموعة البيانات المعروضة في الشكل 2، تم أخذ عينات من جميع الإشارات عند 500 هرتز وتم تقديمها بصيغة BIDS مع معالجة أولية مسبقة من قبل المساهمين في مجموعة البيانات.

المجموعة الثانية من البيانات تجمع من مستودع عامخارجي 21 يضم 35 مشاركا في حالة راحة. من بينهم 13 مشاركا تم تشخيصهم بمرض الزهايمر (AD)، و7 مشاركين يعانون من ضعف إدراكي خفيف (MCI)، و15 من كبار السن الأصحاء. تم استخدام فقط مقاطع خط الأساس في حالة الراحة من المجموعة الثانية للحفاظ على الاتساق مع مجموعة البياناتالأولى 20. المجموعة الثانية من البيانات21 تطلبت خط معالجة مسبقي كامل، كما هو مذكور في الشكل 3.

2. المعالجة المسبقة

تعتمد الدراسات الحالية بشكل كبير على خطوط معالجة مسبقة معقدة، أو خطوات تصحيح الآثار اليدوية، أو ICA-ASR لإزالة حركات العضلات، مما يحد من قابلية التكرار في سير العمل السريري الروتيني. لمعالجة هذه القيود، يركز خط الأنابيب المقترح على نهج مبسط يعتمد فقط على تخطيط الدماغ الكهربائي (EEG) يلغي الحاجة إلى إجراءات إزالة القطع الأثرية المكثفة حسابيا، ويركز بدلا من ذلك على التصفية المحكمة، وتقسيم الحقبة، وحساب الميزات حسب التردد.

  1. فرز ملفات EEG
    قبل المعالجة المسبقة، كانت جميع ملفات EEG تفرز تلقائيا للحفاظ على اتساق ترتيب المشاركين والجلسات حسب المشاركين. هذا ضمن أن استخراج الميزات، وتحديد العصر، ومحاذاة التسميات كانت موحدة عبر جميع المواضيع ومنع أخطاء عدم مطابقة الملفات. تظهر هذه الخطوة في الشكل 3 ك "فرز ملف تخطيط الدماغ الكهربائي." تتم جميع عمليات المعالجة المسبقة باستخدام مجموعة أدوات معالجة EEG مفتوحة المصدر قياسية.
  2. تصفية وإعادة الإشارة عبر النطاق الترددي
    تم تطبيق مرشح باند باس من Butterworth في نطاق 0.5-40 هرتز للحفاظ على مكونات EEG ذات الصلة مع تخفيف الانحرافات والضوضاء عالية التردد. تم إعادة الإشارة إلى متوسط جميع قنوات تخطيط الدماغ الكهربائي، مما قلل من الانحياز المكاني وعزز نسبة الإشارة إلى الضوضاء.
  3. تحول تردد نيكويست
    لتحسين دقة المكونات منخفضة التردد، تم تطبيق تعزيز إزاحة Nyquist عن طريق تقليل تردد أخذ العينات إلى النصف من 500 هرتز إلى 250 هرتز. وبعد الخطوة السابقة، يقوم تعديل نيكويست بتقليله إلى 125 هرتز. نظرا لأن ترددات دلتا، ثيتا، ألفا، بيتا، وغاما هي موجات بطيئة تتراوح بين 0.5 و40 هرتز، فإن هذا يغير حد نيكويست الفعال ويعزز وضوح التذبذبات منخفضة التردد، والتي تتعلق بالخرف. ساعد هذا التعديل في التقاط موجات الدماغ البطيئة بشكل أكثر ملاءمة. المعادلة (1) تظهر نتيجة دواء نيكويست بوضوح.
    أخذ عينات F = 500 هرتز
    Nأخذ عينات =عينة F/2
    Nnyquist = Nعينة / 2 (1)
    من المهم ملاحظة أنN nyquist ليس معدل أخذ عينات التشغيل بل هو ببساطة أقصى تردد قابل للتمثيل، وبالتالي لا يؤثر على تقسيم الحقبة. إنه مجرد حد نظري يستخدم لضمان حفظ محتوى التردد المعني (0.5-40 هرتز) بالكامل.
  4. تكرار أخذ عينات الحقبة إلى 10 مقاطع
    تنقسم تسجيلات تخطيط الدماغ إلى 10 مقاطع متساوية الطول. هذه الخطوة ضرورية لالتقاط النشاط غير الثابت لإشارة EEG مع مرور الوقت. تسمح المقاطع القصيرة والموحدة بحساب مستقر للميزات الخاصة بالنطاق وتثري عينات التدريب لتصنيف التعلم الآلي. لذا تصبح 250 عينة في الثانية 250 × 10 = 2500 عينة. أخيرا، يتم أخذ 10 فترات متساوية الطول لكل موضوع لاستراتيجيات التحليل على حدة. أنتجت هذه الاستراتيجية التحليلية 880 عينة من 88 مشاركا فعليا.

    الحاجة إلى التحليل التاريخي هي مراقبة تغيرات إشارات الدماغ بدقة، مما يوفر للنموذج كمية كافية من البيانات الزمنية للتعلم ومنع الإفراط في التوافق. تكمن أهمية هذا النهج في ضمان بيانات عصر تخطيط الدماغ الكهربائي بدقة أدق، مما يسهل التحليلات التي تتطلب دقة زمنية أعلى دون التأثير على قيم الميزات الكلية. من خلال توليد فترات زمنية مدتها 10 ثوان، تدعم المنهجية تحسين نمذجة ديناميكيات تخطيط الدماغ الكهربائي وتتوافق مع فترات العصر القياسية في بروتوكولات تحليل تخطيط الدماغ الكهربائي.

3. استخراج الميزات

يتم تمرير إشارات تخطيط الدماغ المعالجة مسبقا إلى طرق استخراج الميزات. يتم تصفية إشارات EEG عبر النطاق إلى 5 نطاقات تردد قياسية: دلتا (0.5-4 هرتز)، ثيتا (4-8 هرتز)، ألفا (8-13 هرتز)، بيتا (13-25 هرتز)، وغاما (25-40 هرتز).

لكل إشارة مفلترة، تم حساب قيمة الجذر المتوسط المربع (RMS) عبر جميع قنوات EEG. الصياغة الرياضية لنظام RMS معطاة في المعادلة (1):

RMS = figure-protocol-1    (1)

هنا، xi هو سعة إشارة EEG عند العينة الزمنية i. N هو إجمالي عدد العينات في مقطع الإشارة.

تم اختيار RMS كميزة رئيسية بسبب قدرته على قياس طاقة النشاط التذبذبذي في كل نطاق ترددي. غالبا ما يرتبط مرض الزهايمر بزيادة نشاط الدلتا والثيتا وانخفاض نشاط ألفا وبيتا. قد يظهر الخرف الجبهي الصدغي (FTD) أنماطا مميزة عبر هذه النطاقات 20,21. وبما أن PSD غير ضروري رياضيا بالنسبة ل RMS، فهو لا يعتبر ميزة. للحفاظ على مجموعة بيانات مدمجة، يتم استبعاد الميزات المتبقية، مثل هيورث والإنتروبيا.

4. الاندماج الهجين

تم دمج ميزات RMS المستخرجة من مجال الزمن مع ميزات مجال التردد المستلمة من ترشيح تمرير النطاق الدرامي، وذلك بجعلها مساحة هجينة لإدخال النموذج. تفاصيل التجميع موضحة في الشكل 3. يتم تنظيم مجموعة البيانات النهائية المطبعة في شكل جدولي حيث تمثل الصفوف المشاركين وأعمدة تمثل ميزات نطاق التردد الزمني والميزات الديموغرافية مثل العمر والجنس والمجموعة. الأنبوب الموضح في الشكل 2 يستخرج بكفاءة ميزات تخطيط الدماغ الكهربائي ذات الصلة بأبحاث الزهايمر. توفر الميزات المستخرجة رؤى حول النشاط العصبي ضمن نطاقات التردد الرئيسية ويمكن استخدامها في التعلم الآلي والتحليل الإحصائي.

5. اختيار الميزات

لتحسين أداء النموذج وتقليل أبعاد الميزات، تم تطبيق نهج تحليل التباين ثنائي الاتجاه (ANOVA). تم تطبيق الاختيار القائم على ANVA مع المجموعة والعمر كعوامل مستقلة، ونطاقات تردد RMS كميزات تابعة. قيم هذا التحليل تأثيرات تفاعل المجموعة، والعمر، والفئة العمرية على كل ميزة. تم اختيار ميزات ذات قيم p < 0.05 لعامل واحد على الأقل لتصنيف إضافي. تعرض النتائج التفصيلية المستندة إلى ANOVA في قسم النتائج. هذه الميزات هي المتغيرات الأكثر فائدة للتصنيف، مما ساعد في تحسين دقة وتعميم النموذج التنبؤي النهائي. نتيجة لاختبار ANOVA، تم اختيار الميزات الأكثر إفادة فقط لإنشاء النماذج. وتم استبعاد السمات غير الرقمية الإضافية، مثل الجنس و participant_id، من التحليل. تم ترميز مجموعة المتغير المستهدف بالتصنيف.

6. وصف النموذج

لتصنيف المرض إلى ثلاث فئات، وهي الزهايمر، وضابط التحكم، والخرف الجبهي، تم بناء ثلاثة نماذج تعلم آلي خاضع للإشراف، مثل XG-Boost، وRandom Forest، وSVM لآلة الدعم المتجهة، ونموذج مكدس. جميع النماذج المذكورة استخدمت 70٪ من مجموعة بيانات التدريب و30٪ من مجموعة بيانات الاختبار. تم اختيار كل نموذج لأدائه المثبت في تحليل بيانات الرعاية الصحية وقدرته على التعامل مع فضاءات الميزات غير الخطية وعالية الأبعاد. تم إجراء تقييم للنموذج على مجموعة بيانات التحقق لتقييم قابلية تعميم النموذج.

تم تقييم أداء النموذج باستخدام مصفوفة ارتباك، تتكون من الإيجابي الحقيقي (TP)، الإيجابي الكاذب (FP)، السلبي الحقيقي (TN)، والسلبي الكاذب (FN). شملت مقاييس الأداء الدقة وتقرير تصنيف يوضح الدقة والاستدعاء ودرجات F1 لكل فئة. المعادلة التالية توضح مقاييس الأداء.

figure-protocol-2    (2)

figure-protocol-3    (3)

figure-protocol-4    (4)

figure-protocol-5(5)

1. مصنف XG-Boost

نفذت هذه الطريقة نموذج تصنيف متعدد الفئات باستخدام خوارزمية XGBoost للتنبؤ بالحالات المعرفية المشتقة من EEG من الميزات المستخرجة، كما هو موضح في المخرج 1 من الشكل 3. يحتوي الإخراج 1 على ميزات RMS ودرجة MMSE. أثناء بناء نموذج XGBoost، يتم تضمين درجة MMSE لاختبار السلوك غير الخطي لميزات RMS. يستخدم كمعيار وأساس لتطوير النظام. تم استبعاد MMSE في مراحل لاحقة لتحقيق هدف نظام مؤتمت بالكامل ومستقل عن الطبيب.

XG-Boost هو إطار عمل لتعزيز التدرج محسن للكفاءة والدقة، مما يجعله مناسبا للتعامل مع البيانات المنظمة في مهام التصنيف. يتم ضبط المعلمات الفائقة القليلة على مجموعة بيانات EEG باستخدام تقنيات مثل التحقق المتقاطع والبحث الشبكي. تم اختيار قيم المعلمات الرئيسية المعرفة أدناه للتحكم في التوافق الزائد عبر التنظيم ولالتقاط تعقيد ميزات تخطيط الدماغ دون أن تكون معقدة جدا.

المعايير الرئيسية للنموذج هي: (1) أقصى عمق شجرة = 8، مما يحد من عمق أشجار القرار لتقليل الإفراط في التوافق وتعزيز التعميم. لأن الشجرة الضحلة قد تفوت معلومات غير ضرورية، لأن الشجرة الأعمق قد تفرط في التركيب. (2) التنظيم في L2 (λ = 10) يضيف عقوبة للمعاملات الكبيرة لتقليل الإفراط في التوافق من خلال التحكم في تعقيد النموذج. (2) يتم إدخال تنظيم اللغة الأولى (α = 5) لإعطاء مزيد من التباعد في النموذج وتحسين قابلية التفسير والمتانة. عدد المقدرات (n_estimators=8) حد من عدد تكرارات التعزيز للحفاظ على الكفاءة الحاسوبية مع موازنة الأداء.

2. مصنف الغابة العشوائي

الغابة العشوائية هو مصنف جماعي يبني عدة أشجار قرارات على مجموعات عشوائية من البيانات والميزات، ويجمع مخرجاتها للتنبؤ النهائي. يوفر متانة ضد الضوضاء، ويتعامل جيدا مع البيانات غير الخطية، ويقلل من الإفراط في التوافق من خلال متوسط توقعات الشجرة المتنوعة. في هذا العمل، تم تكوين نموذج الغابة العشوائية مع معلمات رئيسية باستخدام طريقة التجربة والخطأ. يتم شرح هذه المعايير أدناه:
1) n_estimators=100
تم اختياره للحد من عدد أشجار القرار في الغابة. كلما زادت الأشجار، كان التعميم أفضل وأكثر استقرارا في التنبؤات.
2) max_depth=10
يشير إلى أقصى عمق لكل شجرة. إذا كانت الشجرة ذات عمق منخفض، فهناك احتمال أن تكون غير مناسبة لها. بينما قد تلتقط التقنية العمق العالي التفاصيل وتحفظ بيانات التدريب، إلا أنها قد تتجاوز التركيب. لذلك، اختيار 10 هو نقطة مثالية مثالية، خاصة للإشارات المزعجة أو المعقدة مثل تخطيط الدماغ الكهربائي.
3) random_state=40
يصلح النموذج العشوائي لتوليد الأرقام المستخدمة في أخذ عينات Bootstrap وبناء الشجرة. وهذا يضمن قابلية التكرار
4) n_jobs=-1
من خلال تعيين قيمة n_jobs إلى -1، يستخدم النموذج جميع أنوية المعالج بكفاءة.

7. آلة الدعم المتجهة (SVM)

آلة متجه الدعم هي مصنف يعتمد على الهامش معروف بأدائه الخطي في التصنيف الثنائي والمتعدد الفئات22. استخدم هذا النموذج نواة دالة أساس شعاعية بسبب قدرتها على التقاط إشارات EEG غير الخطية. ومع ذلك، أظهر النموذج أداء غير مثالي، ويرجح أن ذلك يعود إلى نقص مقياس الميزات وحجم مجموعة البيانات المحدود. بينما يعد SVM قويا نظريا، فإن حساسيته لضبط المعاملات الفائقة وتوزيع البيانات قد تفسر الدقة الأقل مقارنة بالنماذج القائمة على الأشجار.

8. نموذج الاندماج العالي المقترح

على الرغم من أن نموذج الغابة العشوائية حقق دقة عالية، لضمان قابلية التعميم والتوسع، تم بناء نموذج مكدس باستخدام الغابة العشوائية وXG-Boost. يتم تغذية المخرج كمدخل لنموذج الانحدار اللوجستي. والانحدار اللوجستي يعمل كمتتعلم فوق. مخطط البنية للنموذج مذكور في الشكل 4.

إلىجانب المجموعة الأولى من المدخلات20، أخذ النموذج المكدس أيضا مدخلات من المجموعة الثانية من البيانات23. يتم معالجة مجموعة البيانات من Mendely21 مسبقا إلى شكل مفهوم للنموذج عن طريق استخراج RMS والانتقال إلى 10 ثوان. تعرض النتائج التي يحصل عليها كل نموذج في قسم النتائج.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لتبرير قوة طريقة الإيبوك، يتم مقارنة أداء نموذج الراديو اللاسلكي دون إجراء عملية تفريغ لمجموعة البيانات. في الحالة غير المحددة، تم استخراج الميزات من التسجيل المستمر بالكامل ومنحها إلى نموذج التردد الراديوي. أعطت الإشارة غير الزمنية الدقة 53٪. هذا يوضح أن الإيبوشينغ يوفر طريقة أكثر استقرارا ومعلوماتية لإنشاء النماذج. لذلك، تعتبر الميزات القائمة على ANOVA مع p < 0.05 ذات دلالة. على سبيل المثال، أظهرت alpha_rms تأثير مجموعة ذو دلالة كبيرة (p = 9.007147 × 10⁻³⁷)، بينما لم تكن تأثيرات الفئة ...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في هذه الدراسة المقترحة، الدافع لاستخدام بنية Hy-Fusion المكدسة هو دمج نقاط القوة التكميلية للمتعلمين المعتمدين على الشجرة، مثل الترددات الراديوية، وتقليل تباين التنبؤ من خلال متعلم ميتا الانحدار اللوجستي. تعتمد استراتيجية التكديس عادة عندما يكون لدى المتعلمين الأساسيين تحيزات استقرائية وأنماط خطأ مختلفة. يتعلم المتعلم الفوقي تصحيح الأخطاء المنهجية في المصنفات الأساسية وإنتاج مخرجات تجميعية أكثر معايرة.

لم تثري عملية إنشاء العصور مجموعة البيانات فحسب، بل ساعدت...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يؤكد المؤلفون أنه لا يوجد تعارض في المصالح يمكن الإعلان عنه بشأن هذا النشر.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يرغب المؤلفون في شكر المحرر والمراجعين المجهولين على تعليقاتهم، والتي ساعدت في تحسين الجودة. لم تحصل هذه الأبحاث على أي منح محددة من وكالات تمويل في القطاعات العامة أو التجارية أو غير الربحية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
Bandpass filtering toolsMNE-PythonBuilt-in filtersUsed for preprocessing
Computer workstation—Windows/LinuxAnalysis computation
EEG Acquisition SystemProvided by dataset creators—Not used by authors (dataset provided)
Epoching functionsMNE-PythonBuilt-in functionsUsed for segmentation
GitHub or Google Drive——Storage for code/data
Google ColabGoogleOnlineCloud computing environment
MATLAB (used for signal checks)MathWorksR202xOptional
Mendeley EEG DatasetMendeley DataExternal validation dataset
MNE-Pythonhttps://mne.toolsv1.xEEG preprocessing/analysis
NumPyNumPy developersLatestArray computation
OpenNeuro EEG DatasetOpenNeurods004504 (v1.0.8)Primary dataset for AD/FTD/HC EEG
PythonPython Foundationv3.10+Programming environment
scikit-learnsklearn developersv1.xMachine learning models
SciPySciPy developersLatestSignal processing

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Altwijri, O., et al. Novel deep-learning approach for automatic diagnosis of Alzheimer's disease from MRI. Appl Sci. 13 (24), 13051(2023).
  2. Khalafi, M., et al. Amyloid PET scan diagnosis of Alzheimer's disease in patients with multiple sclerosis: A scoping review study. Egypt J Radiol Nucl Med. 54 (1), 12(2023).
  3. Hohaia, W., Saurels, B. W., Johnston, A., Yarrow, K., Arnold, D. H. Occipital alpha-band brain waves when the eyes are closed are shaped by ongoing visual processes. Sci Rep. 12 (1), 1194(2022).
  4. Karakaş, S. review of theta oscillation and its functional correlates. Int J Psychophysiol. 157, 82-99 (2020).
  5. Hort, J. O. B. J., et al. EFNS guidelines for the diagnosis and management of Alzheimer's disease. Eur J Neurol. 17 (10), 1236-1248 (2010).
  6. Munson, A. Frontotemporal dementia: Causes and symptoms. , https://www.carehome.co.uk/advice/what-is-frontotemporal-dementia (2025).
  7. Subhashree, S., Thomas, J., Eric, P. V. Analysis of machine learning and deep learning techniques for prediction of psychiatric disorders using EEG datasets. Proc ICCAMS. , 1-9 (2023).
  8. Subha, D. P., Joseph, P. K., Acharya, U. R., Lim, C. M. EEG signal analysis: A survey. J Med Syst. 34 (2), 195-212 (2010).
  9. Barry, R. J., Clarke, A. R., Johnstone, S. J., Magee, C. A., Rushby, J. A. EEG differences between eyes-closed and eyes-open resting conditions. Clin Neurophysiol. 118 (12), 2765-2773 (2007).
  10. Buzsáki, G. Rhythms of the brain. , Oxford Univ. Press. Oxford, UK. (2006).
  11. Senkaya, K., Kurnaz, B., Ozbilgin, S. Enhancing Alzheimer's diagnosis with machine learning on EEG: A spectral feature-based comparative analysis. Diagnostics. 15 (17), 2190(2025).
  12. The Oxford handbook of event-related potential components. Luck, S. J., Kappenman, E. S. , Oxford Univ. Press. Oxford, UK. (2013).
  13. Cassani, R., Estarellas, M., San-Martin, R., Fraga, F. J., Falk, T. H. Systematic review on resting-state EEG for Alzheimer's disease diagnosis and progression assessment. Dis Markers. 2018, 5174815(2018).
  14. Michel, C. M., Murray, M. M. Towards the utilization of EEG as a brain imaging tool. Neuroimage. 61 (2), 371-385 (2012).
  15. Ding, Y., et al. Fully automated discrimination of Alzheimer's disease using resting-state electroencephalography signals. Quant Imaging Med Surg. 12 (2), 1063-1075 (2022).
  16. Craik, A., He, Y., Contreras-Vidal, J. L. Deep learning for electroencephalogram classification tasks: A review. J Neural Eng. 16 (3), 031001(2019).
  17. Abiri, R., Borhani, S., Sellers, E. W., Jiang, Y., Zhao, X. A comprehensive review of EEG-based brain-computer interface paradigms. J Neural Eng. 16 (1), 011001(2019).
  18. Aghababaei, M. H., Azemi, G. A modified row-sparse multiple measurement vector recovery algorithm for reconstructing multichannel EEG signals from compressive measurements. Biomed Signal Process Control. 60, 101956(2020).
  19. Zheng, H., et al. Time-frequency functional connectivity alterations in Alzheimer's disease and frontotemporal dementia: An EEG analysis using machine learning. Clin Neurophysiol. 170, 110-119 (2025).
  20. OpenNeuro Dataset ds004504, Version 1.0.8. , OpenNeuro. OpenNeuro.org (2025).
  21. Sedghizadeh, M. J., Aghajan, H., Vahabi, Z. Brain electrophysiological recording during olfactory stimulation in mild cognitive impairment and Alzheimer disease patients: An EEG dataset. Data Brief. 48, 109289(2023).
  22. Miao, Y., et al. Dynamic theta/beta ratio of clinical EEG in Alzheimer's disease. J Neurosci Methods. 359, 109219(2021).
  23. Lin, N., et al. Differences in multimodal electroencephalogram and clinical correlations between early-onset Alzheimer's disease and frontotemporal dementia. Front Neurosci. 15, 687053(2021).
  24. Miltiadous, A., et al. A dataset of scalp EEG recordings of Alzheimer's disease, frontotemporal dementia and healthy subjects from routine EEG. Data. 8 (6), 95(2023).
  25. Al-Qazzaz, N. K., Ali, S. H. B. M., Ahmad, S. A. Early dementia detection and severity classification with deep SqueezeNet convolutional neural network using EEG images. Artif Intell Multimodal Signal Process Hum-Mach Interact. , 171-183 (2025).
  26. Khosravi, M., Parsaei, H., Alghanim, M., Rezaee, K. A novel EEG-based deep approach for diagnosing Alzheimer's disease using attention-time-aware LSTM. Proc EICEEAI 2023. , IEEE. 1-6 (2023).
  27. Kongwudhikunakorn, S., et al. PSD-CNN approach for subject-independent dementia recognition from EEG signals. Proc JCSSE 2024. , IEEE. 588-594 (2024).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

تصحيح

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Formal Correction: A Unique EEG-Hyfusion Fully Automated Stacked Model for Classification of Alzheimer's Disease and Fronto-Temporal Dementia
Posted by JoVE Editors on 7/16/2026. Citeable Link.

This corrects the article 10.3791/69762

الوسوم

مقالات ذات صلة