مقالة بحثية

دمج المؤشرات الحيوية لتخطيط كهربية الدماغ متعدد المجالات للتصنيف القائم على التعلم الآلي للخرف

0 مشاهدة

⸱

DOI:

10.3791/72549

⸱

سبتمبر 25, 2026

 ,  ,  ,  ,  , 
1Computer Science and Engineering (Data Science), Dayananda Sagar University, 2Computer Science and Engineering, New Horizon College of Engineering, 3School of Computer Science and Engineering (SCOPE), VIT AP University, 4Department of Computer Science and Engineering, Saveetha School of Engineering, Saveetha Institute of Medical & Technical Sciences (SIMATS), Saveetha University, 5Computer Science and Engineering (Cybersecurity), Dayananda Sagar University, 6School of Computer Science and Engineering, Presidency University, 7Electronics and Telecommunications Engineering, Ahmadu Bello University

في هذه المقالة

ملخص

تتقصى هذه الدراسة المؤشرات الحيوية لتخطيط كهربائية الدماغ للتمييز بين مرض ألزهايمر، والخرف الجبهي الصدغي، والمجموعات الضابطة السليمة. وقد تم تفسير نماذج الغابة العشوائية (Random Forest) التي استخدمت ميزات جذر متوسط المربعات، وكثافة الطيف القدرية، والاعتلاج، وذلك باستخدام الذكاء الاصطناعي القابل للتفسير وتحليل حجم التأثير. وأدى استبعاد ميزات الاعتلاج ذات التأثير المنخفض إلى تحسين أداء التصنيف، حيث تم تحقيق دقة اختبار بلغت 94%.

الملخص

تم استقصاء تخطيط كهربائية الدماغ (EEG) كنهج غير باضع لتوصيف نشاط الدماغ في الحالات التنكسية العصبية. قيمت هذه الدراسة ما إذا كانت المؤشرات الحيوية لتخطيط كهربائية الدماغ متعددة المجالات يمكن أن تميز بين مرض ألزهايمر (AD)، والخرف الجبهي الصدغي (FTD)، والمجموعات الضابطة السليمة (HC). احتوت مجموعة البيانات المتاحة للعموم على تسجيلات تخطيط كهربائية الدماغ في حالة الراحة مع إغلاق العينين لـ 88 مشاركاً، بما في ذلك 36 مصاباً بمرض AD، و23 مصاباً بـ FTD، و29 من الضوابط السليمة. تم استخراج المؤشرات الحيوية لتخطيط كهربائية الدماغ متعددة المجالات والسمات الديموغرافية من أجل التصنيف باستخدام التعلم الآلي. وشملت السمات المشتقة من تخطيط كهربائية الدماغ جذر متوسط المربعات (RMS)، وكثافة القدرة الطيفية (PSD)، ومقاييس الإنتروبيا. تم تدريب مصنف الغابة العشوائية (Random Forest) باستخدام مجموعة السمات المجمعة وتم تفسيره باستخدام الذكاء الاصطناعي القابل للتفسير. أُجريت تحليلات استقرار السمات وحجم تأثير Cohen’s d لتقييم مساهمات السمات، تلا ذلك تحليل الاستئصال. أظهرت السمات القائمة على الإنتروبيا أقل مساهمة في التصنيف. حقق النموذج متعدد المجالات الكامل دقة تدريب بلغت 96% ودقة اختبار بلغت 92%. وبعد إزالة سمات الإنتروبيا، ارتفعت دقة الاختبار إلى 94%. تصف هذه النتائج أداء التصنيف لسمات تخطيط كهربائية الدماغ متعددة المجالات والسمات الديموغرافية المختارة ضمن إطار الغابة العشوائية.

المقدمة

يُعد مرض ألزهايمر (AD) حالة عصبية تدريجية ترتبط بتدهور في الوظائف المعرفية والحركية. وتزداد نسبة انتشار هذا المرض بشكل كبير مع تقدم العمر، كما يُعتبر الخرف سبباً رئيسياً للمراضة والوفيات بين كبار السن1,2,3,4,5. ونظراً لأن التشخيص وتصنيف المرض لا يزالان يشكلان تحدياً، فقد تم بحث تحليل إشارات الدماغ كوسيلة لتوصيف التغيرات الفيزيولوجية العصبية المرتبطة بالخرف.

يُعد تخطيط كهربية الدماغ (EEG) طريقة غير بضعية لتسجيل النشاط الكهربائي للدماغ، وقد تم استقصاؤه في مرض ألزهايمر والاضطرابات العصبية الأخرى6,7,8,9,10,11. تعكس إشارات EEG الجهود الكهربائية الناتجة عن النشاط العصبي، ويتم تسجيلها بطريقة غير بضعية من مواقع متعددة في فروة الرأس12,13,14. وعادةً ما يتم توصيف نشاط الدماغ باستخدام نطاقات التردد دلتا (delta)، وثيتا (theta)، وألفا (alpha)، وبيتا (beta)، وجاما (gamma)15. وقد ارتبط مرض ألزهايمر بتباطؤ تخطيط كهربية الدماغ، وانخفاض تعقيد الإشارة، وتغير التزامن16. كما أشارت التحليلات الطيفية إلى زيادة نشاط دلتا وثيتا بالتزامن مع انخفاض نشاط ألفا وبيتا لدى المصابين بمرض AD مقارنة بالمجموعات الضابطة السليمة17,18,19. وأفادت دراسات تصنيف EEG السابقة بتحقيق أداء عالٍ في التمييز بين مرض AD والمجموعات الضابطة السليمة (HC)، وبين الخرف الجبهي الصدغي (FTD) والمجموعات الضابطة السليمة (HC). وفي المقابل، كان التمييز بين مرض AD وFTD بشكل عام أكثر صعوبة10,11.

تُستخدم طرق تعلم الآلة لتحديد الأنماط في إشارات تخطيط كهربائية الدماغ (EEG) المرتبطة بالأمراض العصبية20,21. ولذلك، يُعد استخراج الميزات مكوناً هاماً في التصنيف القائم على تخطيط كهربائية الدماغ. وقد بحثت دراسات سابقة في الميزات الطيفية، والزمنية، وميزات التعقيد، والاتصال الوظيفي، وذلك بالاقتران مع نماذج تعلم الآلة3,15,22,23. وتكتسب الميزات الطيفية أهمية خاصة لأنها تقيس التغيرات المعتمدة على التردد في نشاط الدماغ، بما في ذلك انخفاض نشاط ألفا وزيادة نشاط ثيتا التي تم رصدها في مرض ألزهايمر (AD)23,24,25,26.

قامت العديد من الدراسات القائمة على تخطيط كهربائية الدماغ (EEG) بتقييم تركيبات مختلفة من السمات والمصنفات واستراتيجيات التحقق. وقد استُخدم التحليل القائم على الاتصالية للتمييز بين مرض الزهايمر (AD)، والخرف الجبهي الصدغي (FTD)، والمجموعات الضابطة السليمة (HC)، حيث تباين أداء التصنيف المُبلغ عنه بناءً على المقارنة وإجراء اختيار السمات27. كما تم تقييم السمات القائمة على تحويل فوريه للتمييز بين مرض الزهايمر، والضعف المعرفي الخفيف (MCI)، والمجموعات الضابطة السليمة، على الرغم من وجود قيود شملت محدودية المعالجة المسبقة واحتمالية حدوث فرط التخصيص المرتبط باستراتيجية التحقق28. وأظهرت مقاييس تعقيد تخطيط كهربائية الدماغ غير الخطية إمكانات تمييزية لتصنيف مرض الزهايمر، حيث حقق بعضها دقة وحساسية وخصوصية عالية، على الرغم من أن قابليتها للتطبيق في التمييز بين الضعف المعرفي الخفيف ومراحل المرض لا تزال محدودة21.

لقد تم استقصاء طرق التعلم العميق القائمة على تمثيلات الوقت والتردد لتخطيط كهربية الدماغ (EEG) من أجل التصنيف متعدد الفئات لكل من مرض الزهايمر (AD)، والضعف المعرفي الخفيف (MCI)، والمجموعة الضابطة الصحية (HC)29. وعلى الرغم من تسجيل أداء تصنيف مرتفع، إلا أن القيود تشمل صغر حجم المجموعات أو انتقائيتها، وعدم توازن الفئات، وتباين شدة المرض، ونقص التحقق الخارجي، وانخفاض قابلية تفسير النماذج29. كما تعد استراتيجية التحقق اعتباراً منهجياً هاماً؛ حيث أظهرت النهج المستقلة عن المشاركين أن التحقق المتقاطع التقليدي على مستوى الحقبة (epoch-level cross-validation) قد يؤدي إلى تقدير مبالغ فيه للأداء عندما تظهر حقب من المشارك نفسه في مجموعتي التدريب والاختبار معاً30. ويكتسب هذا القيد أهمية خاصة عند مقارنة نتائج التصنيف عبر دراسات تستخدم مخططات تحقق مختلفة.

تم تقييم مقاييس التعقيد والاتصالية أيضاً باستخدام مصنفات آلة ناقلات الدعم، حيث أظهرت الاتصالية القائمة على الطور والاعتلاج متعدد المقاييس مستويات متفاوتة من أداء التمييز31,32. وأفادت أعمال أخرى استخدمت سمات مشتقة من تحويلات فورير والمويجات عن أداء متغير عبر المقارنات بين مرض الزهايمر (AD)، والضعف المعرفي الخفيف (MCI)، والمجموعة الضابطة السليمة (HC)، مع بقاء التصنيف متعدد الفئات بشكل عام أكثر صعوبة من التصنيف الثنائي14. بالإضافة إلى ذلك، أظهرت النهج القائمة على الاعتلاج والتزامن تمييزاً بين مجموعات مرض الزهايمر والمجموعات الضابطة، على الرغم من أن خصائص المجتمع الضابط قد تؤثر على حجم التأثير الملحوظ2.

تقيم الدراسة الحالية مجموعة ميزات متعددة المجالات تضم مقاييس جذر متوسط المربعات (RMS)، وكثافة الطيف القدرية (PSD)، والاعتلاج (entropy) المستخلصة من نطاقات ترددات تخطيط كهربية الدماغ (EEG)، بالإضافة إلى العمر كمتغير ديموغرافي. يمثل جذر متوسط المربعات (RMS) سعة الإشارة داخل كل نطاق ترددي، بينما تمثل كثافة الطيف القدرية (PSD) القدرة في النطاق الترددي. وقد أُدرج الاعتلاج كمقياس لتعقيد الإشارة. توفر هذه الميزات توصيفات متكاملة لنشاط تخطيط كهربية الدماغ ويتم تقييمها باستخدام مصنف الغابة العشوائية (Random Forest). كما تبحث الدراسة بشكل أكبر في أهمية الميزات، واستقرار الميزات، والذكاء الاصطناعي القابل للتفسير، وتحليل حجم التأثير لتقدير المساهمة النسبية للميزات المستخلصة. وتبحث الدراسة الحالية في فعالية ميزات تخطيط كهربية الدماغ متعددة المجالات، بما في ذلك المقاييس الطيفية والزمنية والقائمة على التعقيد، في التمييز بين مرض الزهايمر (AD)، والخرف الجبهي الصدغي (FTD)، والمجموعات الضابطة السليمة (HC) باستخدام التعلم الآلي. كما تبحث في ميزات نطاقات تردد تخطيط كهربية الدماغ التي تساهم بشكل أقوى في التصنيف عند استخدام مقاييس كثافة الطيف القدرية (PSD)، وجذر متوسط المربعات (RMS)، والاعتلاج. بالإضافة إلى ذلك، تقارن الدراسة مساهمات الميزات القائمة على القدرة، بما في ذلك PSD وRMS، مع تلك الخاصة بالميزات القائمة على الاعتلاج، وتقيم مساهمة العمر في نموذج التصنيف.

البروتوكول

يظهر مخطط عام لسير عمل المعالجة المسبقة لتخطيط كهربائية الدماغ (EEG)، واستخراج الميزات، والتصنيف في الشكل 1. المواد والبرامج المستخدمة في الدراسة مدرجة في جدول المواد.

figure-protocol-1
الشكل 1: سير عمل خط معالجة EEG مسبقاً، واستخراج الميزات، والتصنيف. نظرة عامة تخطيطية لسير عمل الدراسة، بما في ذلك التحقق من بيانات EEG، والترشيح تمرير النطاق (band-pass filtering) وإعادة المرجعية، واستخراج ميزات جذر متوسط المربعات (RMS)، وكثافة القدرة الطيفية (PSD)، وميزات الإنتروبيا، وإضافة العمر، وتقسيم بيانات التدريب والاختبار، وتطوير نموذج الغابة العشوائية (Random Forest)، وتحليل استقرار الميزات، وتحليل SHAP، وتحليل حجم تأثير Cohen’s d، والاختيار المتكامل للميزات، واستئصال ميزات الإنتروبيا، وإعادة تدريب النموذج، وتقييم الأداء. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

1. الحصول على البيانات
تم الحصول على مجموعة بيانات تخطيط كهربية الدماغ (EEG) في حالة الراحة المتاحة للعموم من مستودع OpenNeuro (مجموعة البيانات ds004504، الإصدار 1.0.9)33. وتم التحقق من تسميات المشاركين والمعلومات الديموغرافية. تكونت مجموعة البيانات من 88 مشاركاً، من بينهم 36 مشاركاً مصاباً بمرض الزهايمر (AD)، و23 مصاباً بالخرف الجبهي الصدغي (FTD)، و29 من المجموعات الضابطة السليمة (HC).

2. استيراد تسجيلات تخطيط كهربائية الدماغ (EEG)
بالنسبة لكل مشارك، تم تحميل تسجيل تخطيط كهربائية الدماغ باستخدام مكتبة MNE-Python. وتم فحص كل ملف EEG للتأكد من إمكانية الوصول إليه، وإمكانية استيراده بنجاح، واحتوائه على معرف صحيح للمشارك. كما استُبعدت التسجيلات التي كانت ملفاتها مفقودة أو تالفة. تم الإبقاء على تردد أخذ العينات الأصلي لتخطيط كهربائية الدماغ البالغ 500 Hz في هذه المرحلة، ثم خُفضت معدلات أخذ عينات الإشارات لتقليل العبء الحسابي مع الحفاظ على جميع معلومات EEG ذات الصلة سريرياً بهذه الدراسة.

3. ترشيح تمرير النطاق
تم ترشيح تسجيلات تخطيط كهربائية الدماغ (EEG) المستمرة باستخدام مرشح تمرير نطاق من الدرجة الرابعة، بتردد قطع منخفض قدره 0.5 Hz وتردد قطع مرتفع قدره 40 Hz.

4. المرجعية المتوسطة الشائعة والتقسيم إلى حقب زمنية
تم تطبيق المرجعية المتوسطة الشائعة (CAR) على تسجيلات EEG المفلترة. وعند كل عينة زمنية، تم حساب متوسط الإشارة عبر جميع قنوات EEG المتاحة وطرحه من كل قناة. تم الاحتفاظ بإشارات EEG المرجعية للتحليلات اللاحقة. وقُسم كل تسجيل EEG مرجعي إلى حقب زمنية ذات طول ثابت باستخدام دالة make_fixed_length_epochs() في مكتبة MNE-Python. وقد استُخدمت مدة حقبة زمنية قدرها 10 s مع تداخل قدره 0 s.

5. التحقق من صحة الحقبات الزمنية
بالنسبة لكل مشارك، تم الاحتفاظ فقط بالحقبات الزمنية المكتملة التي تبلغ مدتها 10s. كما تم استبعاد أي جزء متبقٍ من مخطط كهربية الدماغ (EEG) تقل مدته عن 10 s في نهاية التسجيل. واستُخدمت كل حقبة زمنية تم الاحتفاظ بها لاحقاً كعينة فردية لاستخراج الميزات.

6. تحضير الميزات
على الرغم من توفر بيانات فحص الحالة العقلية المصغر (MMSE) في مجموعة البيانات المصدر، فقد تم استبعادها من التحليل الحالي. تم دمج ميزات تخطيط كهربية الدماغ (EEG) المستخرجة مع المعلومات الديموغرافية للمشاركين، بما في ذلك العمر والتصنيفات التشخيصية، والتي تم الحصول عليها من ملف البيانات الوصفية participants.csv. استُخدم معرف المشارك كمفتاح مشترك، وتم الاحتفاظ فقط بالمشاركين الذين تتوفر لهم سجلات ميزات EEG والمعلومات الديموغرافية المقابلة.

تضمنت مصفوفة السمات متعددة المجالات خمس سمات لجذر متوسط المربعات (RMS) وهي (delta_rms و theta_rms و alpha_rms و beta_rms و gamma_rms)، وخمس سمات لكثافة القدرة الطيفية (PSD) وهي (delta_psd و theta_psd و alpha_psd و beta_psd و gamma_psd)، وخمس سمات للإنتروبيا وهي (delta_entropy و theta_entropy و alpha_entropy و beta_entropy و gamma_entropy). وقد أُدرج العمر كمتغير ديموغرافي تكميلي. ونظرًا لأن توزيعات الأعمار قد تختلف عبر المجموعات التشخيصية، لم يكن من الممكن استبعاد التداخل الديموغرافي بشكل كامل. كما تم تعيين المجموعة التشخيصية، المحددة كـ AD أو HC أو FTD، كملصق مستهدف.

7. المعالجة المسبقة للبيانات وتقسيم مجموعة التدريب والاختبار
خلال مرحلة المعالجة المسبقة، تم خفض معدل أخذ العينات للتسجيلات من 500 Hz إلى 250 Hz لتقليل المتطلبات الحسابية مع الحفاظ على معلومات تردد EEG ذات الأهمية.

تم تقسيم مجموعة البيانات إلى مجموعات فرعية للتدريب (80%) والاختبار (20%) على مستوى المفحوص باستخدام استراتيجية التقسيم المجمّع. بعد ذلك، تم الحصول على التنبؤات على مستوى المفحوص عن طريق التصويت بالأغلبية عبر الحقبات المتنبأ بها التابعة لكل مشارك. استخدم التقييم الأساسي تقسيماً مجمّعاً للتدريب والاختبار على مستوى المفحوص لمنع ظهور الحقبات التابعة لنفس المشارك في كلتا المجموعتين الفرعيتين. تم الحصول على التنبؤات على مستوى المفحوص عن طريق التصويت بالأغلبية عبر الحقبات المتنبأ بها التابعة لكل مشارك. كما تم فحص مجموعة البيانات بحثاً عن القيم المفقودة، وتمت إزالة الملاحظات المفقودة أو تعويضها حسب الاقتضاء. وتم ترميز التسميات التشخيصية. كما تم تطبيق StandardScaler على بيانات التدريب ثم تعميمه على كل من مجموعتي بيانات التدريب والاختبار.

8. تطوير نموذج الغابة العشوائية
تم تهيئة مصنف الغابة العشوائية (Random Forest) باستخدام 80 شجرة، وبحد أقصى لعمق الشجرة يبلغ 10، وبحد أقصى أربع ميزات، وبحد أدنى خمس عينات لكل ورقة، وحالة عشوائية 42. وقد تم تدريب المصنف باستخدام مجموعة بيانات التدريب المعيارية.

9. تقييم النموذج
تم التنبؤ بتصنيفات الفئات لكل من مجموعتي بيانات التدريب والاختبار. كما تم إنشاء مصفوفة الارتباك، وحساب الدقة (accuracy)، والضبط (precision)، والاستدعاء (recall)، ومقياس F1-score، وذلك جنباً إلى جنب مع تقرير التصنيف. وتم تسجيل دقة التدريب والاختبار.

بالنسبة للتقييم على مستوى المشارك، تأكد من تعيين جميع العصور (epochs) الخاصة بمشارك معين حصرياً إما إلى المجموعة الفرعية للتدريب أو المجموعة الفرعية للاختبار. تم تدريب مصنف الغابة العشوائية (Random Forest classifier) باستخدام نفس المعلمات الفائقة المستخدمة في التحليل الأساسي.

10. التحقق المتقاطع
كإجراء إضافي لتقييم النموذج، تم إجراء تحقق متقاطع طبقي خماسي الطيات (five-fold stratified cross-validation) باستخدام shuffle = True و random_state = 30. وتم حساب متوسط الدقة والانحراف المعياري عبر الطيات الخمس. وقد اعتبر هذا التحليل منفصلاً عن تقييم الاستبعاد الأساسي على مستوى المشاركين.

11. تحليل استقرار الميزات
تم تقييم استقرار الميزات عن طريق تكرار تدريب الغابة العشوائية (Random Forest) 10 مرات باستخدام بذور عشوائية من 0 إلى 9. وفي كل تشغيل، تم تسجيل دقة الاختبار ودرجات أهمية الميزات. كما تم حساب المتوسط والانحراف المعياري لدرجة أهمية الميزات لكل متنبئ عبر التشغيلات العشرة، ورُتبت المتنبئات وفقاً لاستقرارها. استُخدم هذا التحليل لتقييم اتساق ترتيب الميزات بدلاً من استبدال التقييم الأساسي على مستوى الأشخاص.

12. تحليل الذكاء الاصطناعي القابل للتفسير
تم تطبيق SHAP TreeExplainer على نموذج Random Forest المدرب. وحُسبت قيم SHAP لتقدير مساهمة كل ميزة في تنبؤات النموذج. كما حُسب متوسط القيمة المطلقة لـ SHAP لكل ميزة، ورُتبت الميزات وفقاً لمساهمات SHAP الخاصة بها. تم تحديد الميزات ذات قيم SHAP المنخفضة باستمرار ومقارنتها بنتائج تحليلات ثبات الميزات وCohen’s d. ثم اختيرت الميزات التي أظهرت مساهمات منخفضة باستمرار لإجراء عملية الاستئصال (ablation) وإعادة تدريب النموذج لاحقاً.

13. تحليل حجم التأثير الإحصائي
تم حساب قيمة Cohen’s d لكل مؤشر حيوي في تخطيط كهربية الدماغ (EEG) للمقارنات بين مرض الزهايمر (AD) مقابل المجموعة الضابطة الصحية (HC)، ومرض الزهايمر (AD) مقابل الخرف الجبهي الصدغي (FTD)، والخرف الجبهي الصدغي (FTD) مقابل المجموعة الضابطة الصحية (HC). وتم تفسير أحجام التأثير باستخدام عتبات 0.20 للتأثير الصغير، و0.50 للتأثير المتوسط، و0.80 للتأثير الكبير.

14. اختيار الميزات المتكامل
تمت مقارنة نتائج تحليل أهمية الميزات باستخدام الغابة العشوائية (Random Forest)، وتحليل SHAP، وتحليل Cohen’s d. وقد تم تحديد المتنبئات التي أظهرت باستمرار أهمية ميزات منخفضة، ومساهمة SHAP ضئيلة، وأحجام تأثير صغيرة كمرشحة للاستبعاد.

15. استئصال الميزات
تم تقييم ميزات الإنتروبيا في تحليل استئصال استكشافي، وتم بناء مصفوفة ميزات مختزلة تحتوي على RMS وPSD والعمر. أُعيد تدريب مصنف الغابة العشوائية (Random Forest) باستخدام نفس المعلمات الفائقة. كما كُررت عمليات تدريب النموذج، والاختبار، والتحقق المتقاطع، وتحليل خصائص تشغيل المستقبل (ROC) باستخدام مجموعة الميزات المختزلة.

١٦. تحليل منحنى خصائص التشغيل للمستقبل (ROC analysis)
تم الحصول على احتمالات الفئات من مصنف الغابة العشوائية (Random Forest) المُحسَّن. كما تم إنشاء منحنيات خصائص تشغيل المستقبل (ROC) متعددة الفئات باستخدام نهج واحد-مقابل- استراتيجية الراحة. تم حساب قيم المساحة تحت المنحنى (AUC) لكل فئة على حدة، بالإضافة إلى متوسط المساحة تحت المنحنى.

17. مقارنة الأداء
تمت مقارنة أداء نموذج الميزات الكامل مع أداء نموذج الميزات المختزل الذي تم الحصول عليه بعد عملية استئصال ميزات الإنتروبيا.

النتائج

حقق نموذج الغابة العشوائية (Random Forest) دقة تدريب بلغت 96% ودقة اختبار بلغت 92%. وبلغ متوسط مقياس F1 الكلي (macro-average F1-score) نسبة 92%، بينما بلغ متوسط مقياس F1 المرجح (weighted-average F1-score) أيضاً 92%، مما يشير إلى أداء متقارب عبر الفئات الثلاث. وكان أداء التصنيف في أعلى مستوياته لفئة مرض ألزهايمر (AD)، بينما أظهرت فئة الخرف الجبهي الصدغي (FTD) أداءً أقل نسبياً، كما هو موضح في الجدول 1.

تم استخدام تحليل خصائص تشغيل المستقبل (ROC) لتقييم الفصل بين الفئات عبر عتبات التصنيف. وكما هو موضح في الشكل 2، تجاوزت المساحة تحت منحنى ROC (AUC) قيمة 0.98 لجميع الفئات الثلاث، مما يشير إلى قدرة فصل عالية بين مجموعات مرض الزهايمر (AD)، والخرف الجبهي الصدغي (FTD)، ومجموعة التحكم السليمة (HC).

تم إجراء تحليل SHAP باستخدام TreeExplainer لتقييم مساهمات الميزات في نموذج تصنيف الغابة العشوائية (Random Forest). وأظهر مخطط الأعمدة الملخص في الشكل 3 المساهمة النسبية لكثافة القدرة الطيفية (PSD)، وجذر متوسط المربعات (RMS)، والإنتروبيا، والميزات الديموغرافية. وقد ساهمت الميزات ذات قيم SHAP المطلقة الأعلى بشكل أقوى في تنبؤات النموذج، بينما أظهرت الميزات المتعلقة بالإنتروبيا مساهمات منخفضة نسبيًا.

أُجري تحليل استقرار السمات عن طريق تكرار تدريب الغابة العشوائية (Random Forest) عبر البذور العشوائية المحددة. وسُجلت دقة الاختبار ودرجات أهمية السمات لكل عملية تشغيل، كما حُسب المتوسط والانحراف المعياري لأهمية السمات. وحقق النموذج متوسط دقة تصنيف بلغت 95% في هذا التحليل، بانحراف معياري قدره 0.17%. استُخدمت عمليات التشغيل المتكررة هذه بشكل أساسي لتقييم اتساق ترتيب السمات، واعتُبرت منفصلة عن التقييم الأساسي لمجموعة التحقق المستبعدة على مستوى الأشخاص. وقد احتل العمر مرتبة عالية في تحليل استقرار السمات، كما هو موضح في جدول ٢كما صُنفت ميزات theta_psd وtheta_rms في مرتبة عالية، بينما أظهرت alpha_psd وalpha_rms وbeta_psd وbeta_rms أهمية متوسطة للميزات.

تم حساب قيمة Cohen’s d لتقييم حجم الفروق بين المجموعات، كما هو موضح في الجدول 3. وقد أظهر تخامد نطاق ألفا (alpha_rms, d = 0.97; alpha_psd, d = 0.87) وزيادة نشاط ثيتا (theta_rms, d = 0.72) أكبر الفروق المسجلة بين المشاركين المصابين بمرض AD والمجموعات الضابطة السليمة. وتتوافق هذه النتائج مع التباطؤ القشري الذي تم الإبلاغ عنه في دراسات تخطيط كهربائية الدماغ (EEG) الخاصة بالخرف34. بينما أظهرت السمات القائمة على الإنتروبيا أحجام تأثير أصغر نسبياً. وأسفرت المقارنات بين AD وFTD بشكل أساسي عن أحجام تأثير تتراوح بين الصغيرة والمتوسطة.

أظهرت سمات نطاق ألفا أحجام تأثير كبيرة في المقارنات بين AD- مقابل -HC و FTD- مقابل -HC. بالنسبة لـ AD مقابل HC، كانت أحجام التأثير المسجلة −0.87 لـ alpha_psd و −0.97 لـ alpha_rms. أما بالنسبة لـ FTD مقابل HC، فقد بلغ توهين نطاق ألفا −0.73. وأظهرت سمة theta_psd حجم تأثير قدره 0.61 لـ AD مقابل HC، بينما أظهرت theta_rms حجم تأثير قدره 0.72. ولوحظت فروق أقل بالنسبة لـ AD مقابل FTD.

أظهرت سمات نطاق بيتا أحجام تأثيرات جماعية صغيرة إلى متوسطة في الغالب. كانت أحجام تأثير beta_psd هي −0.35 لـ AD مقابل HC و −0.41 لـ AD مقابل FTD، بينما أظهر beta_rms تأثيرات صغيرة في الغالب. وأظهرت سمات نطاق غاما تأثيرات متوسطة في بعض المقارنات؛ حيث كان حجم تأثير gamma_psd هو 0.47 لـ FTD مقابل HC و 0.20 لـ AD مقابل HC، بينما أظهر gamma_rms حجم تأثير قدره 0.50 لـ FTD مقابل HC.

أظهرت قيم Delta PSD وRMS أحجام تأثير إيجابية صغيرة لمرض AD مقابل HC (0.29 و0.34، على التوالي) وFTD مقابل HC (0.25 و0.25، على التوالي). وكانت أحجام التأثير لمرض AD مقابل FTD قريبة من الصفر. بينما أظهرت Delta entropy أحجام تأثير صغيرة في جميع المقارنات الثلاث (0.08، و0.20، و-0.11).

أشارت تحليلات استقرار الميزات، وقيم SHAP، وحجم التأثير إلى مساهمات منخفضة نسبياً من ميزات الإنتروبيا. وبناءً على ذلك، أُجري تحليل استئصال عن طريق استبعاد ميزات الإنتروبيا والاحتفاظ بـ RMS وPSD والعمر. وبعد استئصال الميزات، حقق نموذج الغابة العشوائية (Random Forest) دقة تدريب بلغت 96% ودقة اختبار بلغت 94%. وقد فُسرت هذه النتيجة على أنها مقارنة استكشافية ضمن إطار اختيار الميزات الذي تم تقييمه. تظهر قيم الدقة (Precision)، والاستدعاء (Recall)، ومقياس F1-score، والدعم (Support) لفئات AD وHC وFTD في الجدول 4.

تتم مقارنة الأداء قبل وبعد استئصال ميزة الإنتروبيا في الجدول 5. حيث زادت دقة الاختبار من 92% إلى 94% بعد إزالة الإنتروبيا. وتظهر التغييرات الخاصة بكل فئة في الجدول 6. بالنسبة لـ FTD، زادت الدقة بنسبة 4%، وزاد مقياس F1-score بنسبة 2%. وزاد الاستدعاء لمجموعة HC بنسبة 4%، بينما انخفضت الدقة بنسبة 2%. كما زادت مقاييس أداء المتوسط الكلي (Macro-average) والمتوسط المرجح (weighted-average) بنسبة تتراوح تقريبًا بين 1%–2% بعد استئصال الميزة.

figure-results-1
الشكل 2منحنيات خصائص التشغيل للمستقبل لمرض ألزهايمر، والخرف الجبهي الصدغي، والمجموعات الضابطة السليمة. منحنيات خصائص تشغيل المستقبل (ROC) متعددة الفئات التي تم إنشاؤها باستخدام طريقة ضد-واحد-مقابل- استراتيجية الراحة لمرض ألزهايمر (الفئة A)، والخرف الجبهي الصدغي (الفئة F)، ومجموعات الضبط السليمة (الفئة C). تم حساب المساحة تحت المنحنى (AUC) لكل فئة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-2
الشكل 3: تحليل ملخص SHAP لنموذج Random Forest المدرب. مخطط شريطي ملخص يوضح المساهمة النسبية للميزات الديموغرافية والميزات المشتقة من تخطيط كهربائية الدماغ (EEG) في نموذج تصنيف Random Forest. استُخدمت قيم SHAP المطلقة المتوسطة لترتيب مساهمات ميزات جذر متوسط المربع (RMS)، وكثافة القدرة الطيفية (PSD)، والإنتروبيا، والعمر. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الدقةالاسترجاعمقياس F1 (F1-Score)الدعم
مرض ألزهايمر0.920.950.94579
عينة ضابطة0.930.920.93480
الخرف الجبهي الصدغي0.930.870.9314
المتوسط الكلي (Macro average)0.930.920.921373
المتوسط المرجح0.930.920.921373

الجدول 1: تقرير التصنيف لبيانات الاختبار.الدقة، والاستدعاء، ومقياس F1، والدعم لفئات مرض الزهايمر، والمجموعة الضابطة السليمة، والخرف الجبهي الصدغي في مجموعة بيانات الاختبار، إلى جانب مقاييس الأداء لمتوسط الماكرو والمتوسط المرجح.

ميزةالمتوسط الحسابيالانحراف المعياري
العمر0.19660.0017
كثافة القدرة الطيفية لثيتا0.09360.0027
جذر متوسط مربع ثيتا (theta_rms)0.09110.0023
كثافة القدرة الطيفية لألفا0.08240.0022
جذر متوسط المربعات لـ ألفا (alpha_rms)0.08240.0024
كثافة القدرة الطيفية لبيتا (beta_psd)0.06380.0013
جذر متوسط مربع بيتا0.06290.0012
كثافة القدرة الطيفية غاما (gamma_psd)0.05340.001
جذر متوسط مربعات جاما0.05270.0014
دلتا_psd0.04030.0007
جذر متوسط مربع الفرق0.03590.001
إنتروبيا غاما0.03260.0008
الاعتلاج ألفا (alpha_entropy)0.03250.0006
بيتا-إنتروبيا0.02830.0009
إنتروبيا ثيتا0.02580.0004
تغير الإنتروبيا0.02550.0005

الجدول 2: ترتيب استقرار الميزات لنموذج الغابة العشوائية (Random Forest). قيم متوسط أهمية الميزات والتباين المقابل لها والتي تم الحصول عليها من تدريبات متكررة لنموذج الغابة العشوائية باستخدام بذور عشوائية من 0 إلى 9. تم ترتيب الميزات وفقاً لاستقرارها عبر جميع عمليات التشغيل.

ميزةمرض ألزهايمر مقابل كروماتوغرافيا السائل عالية الأداء (HPLC)مرض الزهايمر مقابل الخرف الجبهي الصدغيالخرف الجبهي الصدغي مقابل HC
دلتا PSD0.293-0.0690.253
كثافة القدرة الطيفية لموجات ثيتا0.6120.230.355
ألفا PSD-0.869-0.219-0.64
بيتا PSD-0.352-0.4080.201
توزيع كثافة القدرة غاما (Gamma PSD)0.201-0.3260.468
تغير الإنتروبيا0.0810.199-0.111
إنتروبيا ثيتا0.2080.0330.163
إنتروبيا ألفا-0.0610.071-0.137
إنتروبيا بيتا-0.37-0.042-0.332
الإنتروبيا غاما-0.3380.047-0.391
جذر متوسط المربعات لـ دلتا (Delta RMS)0.3420.0410.251
جذر متوسط مربع ثيتا0.7180.3540.318
ألفا RMS-0.977-0.205-0.73
Beta RMS-0.494-0.3650.015
جذر متوسط مربع جاما0.187-0.330.5

الجدول 3: مقارنة حجم تأثير Cohen’s d عبر المجموعات التشخيصية. قيم Cohen’s d للمؤشرات الحيوية لتخطيط كهربائية الدماغ (EEG) عبر مقارنات مرض ألزهايمر مقابل المجموعة الضابطة السليمة، ومرض ألزهايمر مقابل الخرف الجبهي الصدغي، والخرف الجبهي الصدغي مقابل المجموعة الضابطة السليمة.

الدقةالاسترجاعمقياس F1 (F1-Score)الدعم
مرض ألزهايمر0.940.950.94579
مجموعة ضابطة0.910.960.94480
الخرف الجبهي الصدغي0.970.890.92314
متوسط كلي0.940.930.931373
المتوسط المرجح0.940.940.941373

الجدول 4: تقرير التصنيف بعد استئصال الميزات.الدقة (Precision)، والاستدعاء (recall)، ومقياس F1-score، والدعم (support) لفئات مرض الزهايمر، والمجموعة الضابطة السليمة، والخرف الجبهي الصدغي بعد إزالة ميزات الإنتروبيا وإعادة تدريب نموذج الغابة العشوائية (Random Forest).

المقياسقبل الاستئصالبعد الاستئصالالتغيير
دقة التدريب0.960.96تغيير 0%
دقة الاختبار0.920.94تحسن بنسبة +2%
الدقة الكلية (Macro Precision)0.930.94تحسن بنسبة +1%
الاستدعاء الكلي (Macro Recall)0.920.93تحسن بنسبة +1%
مقياس F1 الكلي (Macro F1-Score)0.920.93تحسن بنسبة +1%
الدقة المرجحة (Weighted Precision)0.930.94تحسن بنسبة +1%
الاستدعاء المرجح (Weighted Recall)0.920.94تحسن بنسبة +2%
مقياس F1 المرجح (Weighted F1-Score)0.920.94تحسن بنسبة +2%

الجدول 5: مقارنة الأداء قبل وبعد استئصال السمات. مقارنة لمقاييس أداء النموذج لمجموعة السمات متعددة النطاقات الكاملة ومجموعة السمات المختزلة التي تم الحصول عليها بعد إزالة سمات الإنتروبيا.

توافر البيانات:
تتوفر مجموعة بيانات CSV المعالجة المستخدمة في تطوير النموذج والتحليل في الملف التكميلي 1. يتوفر كود المعالجة المسبقة في دفتر Python عبر الرابط https://colab.research.google.com/drive/1PwidMZCbbIHdthDhat5OEZa7ya6f0-aC?usp=sharing، بينما يتوفر كود بناء النموذج والتحليل عبر الرابط https://colab.research.google.com/drive/1q8wYJjQpofAqZGYxz9xHKB0emGF4YGwM?usp=sharing. كما يمكن إعادة إنشاء مجموعة بيانات CSV المعالجة باستخدام كود المعالجة المسبقة المقدم

الفئةالمقياسقبلبعدالتغير
Alzheimer’sالدقة (Precision)0.920.940.02
الاستدعاء (Recall)0.950.95لا يوجد تغير
مقياس F1-score0.940.94لا يوجد تغير
المجموعة الضابطة (Control)الدقة (Precision)0.930.91−2%
الاستدعاء (Recall)0.920.960.04
مقياس F1-score0.930.940.01
FTDالدقة (Precision)0.930.970.04
الاستدعاء (Recall)0.870.890.02
مقياس F1-score0.90.920.02

الجدول 6: تغيرات الأداء حسب الفئة قبل وبعد استئصال الميزات. التغيرات في الدقة (precision)، والاستدعاء (recall)، ومقياس F1-score لفئات مرض الزهايمر، والمجموعة الضابطة السليمة، والخرف الجبهي الصدغي بعد إزالة ميزات الإنتروبيا.

الملف التكميلي 1: مجموعة بيانات ميزات تخطيط كهربائية الدماغ (EEG) المعالجة على مستوى الحقبة والمستخدمة في تطوير النموذج والتحليل.يرجى النقر هنا لتنزيل هذا الملف.

المناقشة

تم استخدام مصنف الغابة العشوائية (Random Forest) لتصنيف عينات تخطيط كهربائية الدماغ (EEG) إلى مجموعات مرض الزهايمر (AD)، والخرف الجبهي الصدغي (FTD)، ومجموعة الضوابط الصحية (HC) باستخدام سمات متعددة المجالات، بما في ذلك كثافة الطيف القدرية (PSD)، وجذر متوسط المربعات (RMS)، ومقاييس الإنتروبيا. تم إدراج العمر كمتغير ديموغرافي تكميلي. وبما أن توزيعات الأعمار قد تختلف عبر المجموعات التشخيصية، فلم يكن من الممكن استبعاد التداخل الديموغرافي تماماً، وبالتالي فإن الأداء المذكور عكس المساهمة المشتركة للمعلومات الديموغرافية والكهروفسيولوجية. وفحص التحليل قدرة سمات EEG متعددة المجالات على التمييز بين مجموعات AD وFTD وHC، وقيم مساهمة سمات نطاقات delta وtheta وalpha وbeta وgamma في التصنيف35. وأشارت تحليلات استقرار السمات وحجم التأثير إلى أن السمات القائمة على القدرة، بما في ذلك PSD وRMS، ساهمت بشكل أقوى من السمات القائمة على الإنتروبيا. كما عكسَت المؤشرات الحيوية المستخرجة من EEG أنماطاً مرتبطة بتباطؤ الإيقاعات وانخفاض نشاط alpha.

قامت دراسات سابقة بتقييم سمات تخطيط كهربائية الدماغ (EEG) القائمة على الإنتروبيا، وكثافة القدرة الطيفية (PSD)، وجذر متوسط المربعات (RMS) باستخدام مناهج مختلفة من تعلم الآلة2,14,27,28,36,37. وقد استُخدمت الإنتروبيا لتوصيف تعقيد وعدم انتظام تخطيط كهربائية الدماغ، بينما استُخدمت PSD لقياس الخصائص الطيفية2,14,27,28,36. كما تم تقييم RMS كسمة لنطاق التردد37. وباستخدام مجموعة البيانات الأساسية نفسها، طبقت أعمال سابقة تصنيفًا ثنائيًا قائمًا على PSD مع التحقق من صحة البيانات بطريقة استبعاد شخص واحد (leave-one-subject-out)33. أما التحليل الحالي فقد دمج RMS والإنتروبيا وPSD عبر نطاقات ألفا، وبيتا، وجاما، وثيتا، ودلتا ضمن إطار تصنيف متعدد الفئات. وتم تقييم محول (transformer) خفيف الوزن لتخطيط كهربائية الدماغ على مجموعة البيانات نفسها باستخدام استراتيجية تصنيف ثنائي بطريقة استبعاد شخص واحد. وسجل محول تخطيط كهربائية الدماغ خفيف الوزن الذي تم تقييمه على مجموعة البيانات نفسها باستخدام استراتيجية التصنيف الثنائي بطريقة استبعاد شخص واحد دقة بلغت 83.28%. وينبغي تفسير المقارنة الرقمية المباشرة مع النتائج الحالية بحذر نظرًا لاختلاف مهمة التصنيف وإجراءات التحقق38.

أظهرت سمات نطاق ألفا أكبر أحجام التأثير في التمييز بين مرض الزهايمر (AD) والمجموعة الضابطة الصحية (HC)، وبين الخرف الجبهي الصدغي (FTD) والمجموعة الضابطة الصحية (HC)، كما ساهم زيادة نشاط ثيتا في التمييز بين مرض الزهايمر (AD) والمجموعة الضابطة الصحية (HC). وأظهرت سمات نطاق بيتا تأثيرات أقل عبر المجموعات، بينما أظهرت السمات القائمة على الإنتروبيا فائدة تمييزية محدودة نسبياً. وأظهرت سمات نطاق غاما تأثيرات متوسطة في بعض المقارنات، بما في ذلك مقارنة الخرف الجبهي الصدغي (FTD) مقابل المجموعة الضابطة الصحية (HC). وقد ذكرت دراسات سابقة انخفاض قدرة ألفا وتغير نشاط ثيتا في مرض الزهايمر (AD) والمقارنات التشخيصية ذات الصلة23,25,39. كما وُصفت الإنتروبيا بأنها مؤشر حيوي قد يكون مفيداً في الأمراض التنكسية العصبية36، مما يشير إلى أن مساهمتها قد تختلف باختلاف مجموعة البيانات، وتعريف السمات، والنهج التحليلي المتبع.

استُخدمت آلات ناقلات الدعم (Support vector machines) بشكل متكرر في دراسات تصنيف تخطيط كهربائية الدماغ (EEG) السابقة3,21,24,37. وقد وفر مصنف الغابة العشوائية (Random Forest) المستخدم في التحليل الحالي تقديرات لأهمية الميزات، وكان قابلاً للتطبيق على مجموعة الميزات المهيكلة المستخدمة في هذه الدراسة40,41. وقد تم الحصول على دقة في التدريب والاختبار بلغت 96% و 94% على التوالي بعد استئصال ميزات الإنتروبيا. وارتبطت إزالة ميزات الإنتروبيا بتحسن أداء النموذج، مما يدعم المساهمة النسبية المنخفضة الملحوظة لهذه الميزات في تحليلات الاستقرار، وقيم SHAP، وحجم التأثير. كما طُبقت نهج التعلم العميق والنهج القائمة على المحولات (transformer-based approaches) في تصنيف تخطيط كهربائية الدماغ، رغم أن هذه النهج تتطلب عموماً مجموعات بيانات أكبر ومصممة لتمثيلات تسلسلية أو ذات أبعاد أعلى27,39,42,43,44,45.

تتسم إشارات تخطيط كهربائية الدماغ (EEG) بأنها مشوشة وغير مستقرة، ويمكن لنماذج الأشجار التجميعية أن توفر القوة اللازمة عند تحليل التمثيلات الميزات المهيكلة. في الدراسة الحالية، تم تقييم كل من جذر متوسط المربعات (RMS)، وكثافة القدرة الطيفية (PSD)، والإنتروبيا، والعمر كمدخلات تكميلية لنموذج الغابة العشوائية (Random Forest). مثل RMS سعة الإشارة ضمن نطاقات التردد، ومثل PSD القدرة الطيفية، بينما مثلت الإنتروبيا تعقيد الإشارة. وأشارت النتائج إلى أن PSD و RMS ساهموا بشكل أقوى من الإنتروبيا في التصنيف ضمن الإطار الذي تم تقييمه. كما ساهم العمر في النموذج، رغم أن إدراجه أدى إلى احتمال حدوث تداخل ديموغرافي. ويمكن للبحوث المستقبلية تقييم متغيرات ديموغرافية إضافية ونهج بديلة لتعلم الآلة أو التعلم العميق في مجموعات بيانات أكبر لتقييم القابلية للتعميم وأداء التصنيف بشكل أكبر.

الإفصاحات

لم يتم الإفصاح عن أي تضارب معروف في المصالح المالية، أو علاقات شخصية، أو علاقات مالية، أو أنشطة أخرى يمكن أن تكون قد أثرت على العمل الوارد في هذه الدراسة.

شكر وتقدير

يتم الإقرار بمجموعة بيانات EEG المتاحة علنًا والمستخدمة في هذه الدراسة، وكذلك إسهامات الباحثين الذين جعلوا مجموعة البيانات هذه متاحة لأغراض البحث. لم يتم تلقي أي تمويل محدد من وكالات تمويل عامة أو تجارية أو غير ربحية.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
Google Colabجوجل[تأكيد البيئة] وقت تشغيل colabبيئة حوسبة سحابية تُستخدم لتشغيل دفاتر التحليل الملاحظاتية
MNE-Pythonمشروع MNE-Python1.12.1تُستخدم للمعالجة المسبقة لتخطيط كهربائية الدماغ (EEG)، وتحديد المرجع، والترشيح، وتقسيم الحقبات الزمنية
NumPyمشروع NumPy(2.0.2)تُستخدم للحسابات العددية والقائمة على المصفوفات
مجموعة بيانات تخطيط كهربائية الدماغ (EEG) من OpenNeuroOpenNeurods004504, (1.0.9)مجموعة بيانات تخطيط كهربائية الدماغ (EEG) في حالة الراحة متاحة للعموم، تحتوي على تسجيلات لمرضى داء ألزهايمر (AD)، ومرض الخرف الجبهي الصدغي (FTD)، ومجموعة ضابطة من الأصحاء (HC)
بايثونمؤسسة برمجيات بايثون (Python Software Foundation)[3.12.13 (رئيسي، مارس  (4 2026، 09:23:07) [[GCC 11.4.0]]بيئة البرمجة المستخدمة لمعالجة البيانات وتطوير النموذج
scikit-learnمشروع scikit-learn1.6.1تُستخدم في المعالجة المسبقة، وتقسيم البيانات المجمعة، والتصنيف باستخدام الغابة العشوائية (Random Forest)، وتقييم الأداء
SciPyمشروع SciPy(1.16.3)تُستخدم لمعالجة الإشارات والحسابات الإحصائية
قيم شابلي (SHAP)مشروع SHAP0.52.0تُستخدم لتحليل الذكاء الاصطناعي القابل للتفسير باستخدام TreeExplainer

المراجع

  1. Rodrigues PM, et al. Early prediction of Alzheimer's with the electroencephalogram. Procedia Comput Sci. 2016;100:865–71. https://doi.org/10.1016/j.procs.2016.09.236
  2. Houmani N, et al. Diagnosis of Alzheimer's disease with electroencephalography in a differential framework. PLoS One. 2018;13(3):e0193607. https://doi.org/10.1371/journal.pone.0193607
  3. Tripanpitak K, et al. Biomarkers for Alzheimer's disease and mild cognitive impairment: recent advances in task-based EEG. J Alzheimers Dis. 2025 [Epub ahead of print].
  4. Kung HC, Hoyert DL, Xu J, Murphy SL. Deaths: final data for 2005. Natl Vital Stat Rep. 2008;56(10):1-120.
  5. Falk TH, Fraga FJ, Trambaiolli L, Anghinah R. EEG amplitude modulation analysis for semi-automated diagnosis of Alzheimer's disease. EURASIP J Adv Signal Process. 2012;2012(1):192. https://doi.org/10.1186/1687-6180-2012-192
  6. Lehmann C, et al. Application and comparison of classification algorithms for recognition of Alzheimer's disease in electrical brain activity (EEG). J Neurosci Methods. 2007;161(2):342–50. https://doi.org/10.1016/j.jneumeth.2006.10.023
  7. Campanharo AS, Doescher E, Ramos FM. Automated EEG signals analysis using quantile graphs. In: Ferrández Vicente JM, Álvarez-Sánchez JR, de la Paz López F, Adeli H, editors. International Work-Conference on Artificial Neural Networks (IWANN 2017). Cham: Springer; 2017. p. 95–103. https://doi.org/10.1007/978-3-319-59147-6_9
  8. Adeli H, Ghosh-Dastidar S, Dadmehr N. Alzheimer's disease: models of computation and analysis of EEGs. Clin EEG Neurosci. 2005;36(3):131–40. https://doi.org/10.1177/155005940503600303
  9. Zheng H, Xiong X, Zhang X. Multi-threshold recurrence rate plot: a novel methodology for EEG analysis in Alzheimer's disease and frontotemporal dementia. Brain Sci. 2024;14(6):565. https://doi.org/10.3390/brainsci14060565
  10. Zheng X, et al. Diagnosis of Alzheimer's disease via resting-state EEG: integration of spectrum, complexity, and synchronisation signal features. Front Ageing Neurosci. 2023;15:1288295. https://doi.org/10.3389/fnagi.2023.1288295
  11. Abd Rahman F, Othman MF, Shaharuddin NA. Analysis methods of EEG signals: a review in EEG applications for brain disorders. J Teknol. 2015;72(2):41-6.
  12. Jackson AF, Bolger DJ. The neurophysiological bases of EEG and EEG measurement: a review for the rest of us. Psychophysiology. 2014;51(11):1061–71. https://doi.org/10.1111/psyp.12283
  13. Fouad IA, Labib FEZM. Identification of Alzheimer's disease from central lobe EEG signals utilising machine learning and a residual neural network. Biomed Signal Process Control. 2023;86:105266. https://doi.org/10.1016/j.bspc.2023.105266
  14. Fiscon G, et al. Combining EEG signal processing with supervised methods for Alzheimer's patients' classification. BMC Med Inform Decis Mak. 2018;18(1):35. https//doi.org/10.1186/s12911-018-0613-7
  15. Dauwels J, Vialatte F, Cichocki A. Diagnosis of Alzheimer's disease from EEG signals: where are we standing? Curr Alzheimer Res. 2010;7(6):487–505. https://doi.org/10.2174/156720510792231720
  16. Jelic V, Kowalski J. Evidence-based evaluation of diagnostic accuracy of resting EEG in dementia and mild cognitive impairment. Clin EEG Neurosci. 2009;40(2):129-42.
  17. Coben LA, Danziger WL, Berg L. Frequency analysis of the resting awake EEG in mild senile dementia of Alzheimer type. Electroencephalogr Clin Neurophysiol. 1983;55(4):372–80. https://doi.org/10.1016/0013-4694(83)90124-4
  18. Cibils D. Dementia and qEEG (Alzheimer's disease). Suppl Clin Neurophysiol. 2002;54:289-94.
  19. Ramírez-Arias FJ, et al. Evaluation of machine learning algorithms for the classification of EEG signals. Technologies. 2022;10(4):79. https://doi.org/10.3390/technologies10040079
  20. Hosseini MP, Hosseini A, Ahi K. A review on machine learning for EEG signal processing in bioengineering. IEEE Rev Biomed Eng. 2021;14:204–18. https://doi.org/10.1109/RBME.2020.2969915
  21. Vicchietti ML, Ramos FM, Betting LE, Campanharo AS. Computational methods of EEG signals analysis for Alzheimer's disease classification. Sci Rep. 2023;13(1):8184.
  22. Rahimi P, Noroozian M, Hatami J, Sadeghi M. Differential role of electroencephalography between mild cognitive impairment and Alzheimer disease during spatial working memory task. Iran J Neurodevelop Disord. 2025;4(1):101-10.
  23. Wang J, et al. Alzheimer's disease diagnosis using rhythmic power changes and phase differences: a low-density EEG study. Front Aging Neurosci. 2025;16:1485132. https://doi.org/10.3389/fnagi.2024.1485132
  24. Senkaya Y, Kurnaz C, Ozbilgin F. Enhancing Alzheimer's diagnosis with machine learning on EEG: a spectral feature-based comparative analysis. Diagnostics (Basel). 2025;15(17):2190. https://doi.org/10.3390/diagnostics15172190
  25. McBride JC, et al. Spectral and complexity analysis of scalp EEG characteristics for mild cognitive impairment and early Alzheimer's disease. Comput Methods Programs Biomed. 2014;114(2):153–63. https://doi.org/10.1016/j.cmpb.2014.01.019
  26. Al-Nuaimi AH, Jammeh E, Sun L, Ifeachor E. Changes in the EEG amplitude as a biomarker for early detection of Alzheimer's disease. In: 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC); 2016; Orlando, FL, USA. Piscataway: IEEE; 2016. p. 993–6. https://doi.org/10.1109/EMBC.2016.7590869
  27. Ma Y, Bland JKS, Fujinami T. Classification of Alzheimer's disease and frontotemporal dementia using electroencephalography to quantify communication between electrode pairs. Diagnostics (Basel). 2024;14(19):2189. https://doi.org/10.3390/diagnostics14192189
  28. Fiscon G, et al. Alzheimer's disease patients classification through EEG signals processing. In: 2014 IEEE Symposium on Computational Intelligence and Data Mining (CIDM); 2014; Orlando, FL, USA. IEEE; 2014. p. 105–12. https://doi.org/10.1109/CIDM.2014.7008655
  29. Fouladi S, et al. Efficient deep neural networks for classification of Alzheimer’s disease and mild cognitive impairment from scalp EEG recordings. Cogn Comput. 2022;14(4):1247–68. https://doi.org/10.1007/s12559-022-10022-y
  30. Miltiadous A, et al. Alzheimer’s disease and frontotemporal dementia: A robust classification method of EEG signals and a comparison of validation methods. Diagnostics. 2021;11(8):1437. https://doi.org/10.3390/diagnostics11081437
  31. Nobukawa S, et al. Classification methods based on complexity and synchronization of electroencephalography signals in Alzheimer’s disease. Front Psychiatry. 2020;11:255. https://doi.org/10.3389/fpsyt.2020.00255
  32. Huggins CJ, et al. Deep learning of resting-state electroencephalogram signals for three-class classification of Alzheimer’s disease, mild cognitive impairment and healthy ageing. J Neural Eng. 2021;18(4):046087. https://doi.org/10.1088/1741-2552/ac1a80
  33. Miltiadous A, et al. DICE-net: a novel convolution–transformer architecture for Alzheimer detection in EEG signals. IEEE Access. 2023;11:71840–58. https://doi.org/10.1109/ACCESS.2023a.3294618
  34. Miller R. Theory of the normal waking EEG: from single neurones to waveforms in the alpha, beta and gamma frequency ranges. Int J Psychophysiol. 2007;64(1):18–23. https://doi.org/10.1016/j.ijpsycho.2006.07.009
  35. Thomas JS, Thivakaran TK. Data mining algorithms and statistical techniques for identification of schizophrenia: A survey. In: 2020 International Conference on Smart Technologies in Computing, Electrical and Electronics (ICSTCEE); 2020; Bengaluru, India. IEEE; 2020. p. 246–51. https://doi.org/10.1109/ICSTCEE49637.2020.9276856
  36. Cacciotti A, et al. EEG entropy insights in the context of physiological aging and Alzheimer's and Parkinson's diseases: a comprehensive review. Geroscience. 2024;46(6):5537–57. https://doi.org/10.1007/s11357-024-01200-5
  37. Subhashree S, Eric PV. A unique EEG-Hyfusion fully automated stacked model for classification of Alzheimer's disease and frontotemporal dementia. J Vis Exp. 2026;(228):e69762.
  38. Miltiadous A, et al. A dataset of scalp EEG recordings of Alzheimer's disease, frontotemporal dementia and healthy subjects from routine EEG. Data (Basel). 2023;8(6):95. https://doi.org/10.3390/data8060095
  39. Malakouti SM, Menhaj MB, Suratgar AA. Enhanced epilepsy detection using discrete wavelet transform and bandpass filtering on EEG data: integration of ART-based and LVQ models. Clin eHealth. 2025. https://doi.org/10.1016/j.ceh.2025.02.001
  40. Durga P, et al. An ensemble model for detection of Parkinson's disease by comparing numerous machine learning models and XGBoost based on vocal features. Clin eHealth. 2025. https://doi.org/10.1016/j.ceh.2025.01.001
  41. Behnamian A, et al. A systematic approach for variable selection with random forests: achieving stable variable importance values. IEEE Geosci Remote Sens Lett. 2017;14(11):1988–92. https://doi.org/10.1109/LGRS.2017.2745049
  42. Macia G, Liddell A, Doyle V. Conversational AI with large language models to increase the uptake of clinical guidance. Clin eHealth. 2024;7:147–52. https://doi.org/10.1016/j.ceh.2024.07.001
  43. Zhao W. Research on the deep learning of small sample data based on transfer learning. AIP Conf Proc. 2017;1864(1):020018. https://doi.org/10.1063/1.4992835
  44. Hassan U, Singhal A. Convolutional neural network framework for EEG-based ADHD diagnosis in children. Health Inf Sci Syst. 2024;12(1):44. https://doi.org/10.1007/s13755-024-00303-x
  45. Jeong T, Park U, Kang SW. Novel quantitative electroencephalogram feature image adapted for deep learning: verification through classification of Alzheimer’s disease dementia. Front Neurosci. 2022;16:1033379. https://doi.org/10.3389/fnins.2022.1033379

إعادة الطباعة والأذونات

الوسوم

المؤشرات الحيوية لتخطيط كهربائية الدماغالغابة العشوائيةمرض الزهايمرالخرف الجبهي الصدغيكثافة القدرة الطيفيةمقاييس الإنتروبياتخطيط كهربائية الدماغ في حالة الراحةاستئصال الميزات
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.