研究文章

一种用于阿尔茨海默病与额颞叶痴呆分类的 EEG-Hyfusion 全自动堆叠模型

345 次观看

⸱

DOI：

10.3791/69762

⸱

2026年2月13日

 , 
1Computer Science and Engineering, Presidency University, Bangalore

本文内容

勘误通知

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

摘要

本文介绍了一种自动特征提取流程，该流程结合了奈奎斯特频移增强技术和机器学习集成模型，能够在无需人工干预的情况下区分阿尔茨海默病、额颞叶痴呆和健康人群类别。

摘要

阿尔茨海默病（AD）和额颞叶痴呆（FTD）是常见的神经退行性疾病，会损害记忆、认知功能和执行处理能力。本研究的目的是开发一种完全自动化的机器学习流程，用于在无需任何临床干预的情况下对阿尔茨海默病进行早期预测。该方法提出对细微的神经活动变化进行定量分析。目标是开发一个可靠且完全自动化的系统，利用脑电图（EEG）数据将患者分类为AD、FTD和健康对照组，从而消除人为干预或临床评估的需要。该系统的一项主要创新在于其信号处理方法和自动化特征提取流程。具体而言，通过战略性调整奈奎斯特频率以提高脑电信号分辨率，并结合一种混合融合层，整合多域脑电特征和人口统计学数据。随后，采用基于双因素方差分析（ANOVA）的特征选择方法对这一混合特征集进行优化。该优化有助于更有效地提取特征，从而提升分类准确率。在所提出的方法中，通过对频率进行分段处理以丰富训练数据集，从而使标准随机森林模型达到99.72%的训练准确率。为确保该方法的稳健性和泛化能力，提出了一种混合融合模型。

引言

阿尔茨海默病的常见症状包括记忆丧失、认知障碍、睡眠失眠、意识混乱、定向障碍、性格改变等。因此，早期预测可以确保患者不至于恶化到需要全天候照护的最严重阶段。目前有多种诊断该疾病的方法，例如磁共振成像（MRI1）、计算机断层扫描（CT）、正电子发射断层扫描（PET2）和脑电图（EEG3）。特别是脑电图信号结合简易精神状态检查（MMSE），已被证明是一种用于预测阿尔茨海默病的无创方法。脑电图信号的频率分为α、β、θ、γ和δ波。当个体处于放松状态时可检测到α波4，其频率范围为8至12 Hz4。β波在大脑警觉状态下活跃，频率范围为13至30 Hz4。θ波和δ波分别在睡眠和深度睡眠状态下活跃，其频率范围分别为θ波（4–7 Hz）和δ波（< 3.5 Hz）[4]。传统的诊断方法依赖于影像学检查和临床评估（如MMSE），这些方法往往具有主观性和高成本；而脑电图信号能够实时捕捉大脑活动，提供了更为高效的替代方案。

本研究提出了一种完全自动化的诊断流程，仅以脑电图（EEG）信号作为输入，从而避免了对临床评分的依赖。有多种方法可用于从大脑中提取这些脑电波。一种提取脑电频率的方法是采用考虑奈奎斯特频率的带通滤波器。奈奎斯特频率将采样频率降低一半，以获得更清晰的预处理信号。因此，脑电图检测结合简易精神状态检查（MMSE）是神经科医生用于评估阿尔茨海默病（AD）不同阶段的方法。欧洲神经科学联合会5已制定了诊断该疾病各类分型的指南。

本文对阿尔茨海默病（AD）、额颞叶痴呆（FTD）以及健康受试者（对照类别）进行了广泛分类。额颞叶痴呆是一种人类大脑疾病，仅影响大脑的额叶和颞叶区域6,7。图1展示了额颞叶痴呆（FTD）中通常受影响的大脑区域，包括额叶和颞叶。在本研究中，脑电图（EEG）信号的时域和频域特征与人口统计学特征相结合。为了确保机器学习框架的客观性和独立性，迷你精神状态检查（Mini-Mental State Examination, MMSE）评分被刻意排除在特征集之外。尽管MMSE是认知评估中广泛使用的临床指标，但其本质上受临床医生判断的影响，并在分类任务中引入显著偏差。通过排除MMSE评分，所提出的方法旨在构建一种自给自足、数据驱动的诊断模型，能够独立于主观临床输入运行，从而支持未来全自动人工智能筛查工具的开发。最终的特征（不含MMSE评分）被标注后输入至所提出的EEG-hyfusion模型中。具体细节见“实验方案”部分。

文献调查

脑电图（EEG）是一种用于神经系统疾病早期诊断的非侵入性、经济有效的工具。脑电图特征提取与频带分析已成为神经科学和临床研究中的关键手段，能够揭示大脑在多种认知状态和病理状态下的活动特征。近年来，利用机器学习分析脑电图数据的方法日益受到关注，其应用范围涵盖从认知状态监测到阿尔茨海默病等神经系统疾病的早期诊断。本文综述了现有研究在脑电图特征提取、分类及模型构建方面的主要贡献与研究空白。

脑电图信号的认知相关性

尽管Subha等人8强调了能够有效捕捉脑电（EEG）信号非平稳特性的时频域特征RMS，但他们的研究并未构建任何模型。因此，本研究提出了机器学习模型，以确定疾病诊断的准确程度。

Barry 等人9证明了脑电图（EEG）频率波段与认知状态之间的关系，将特定频率波段（例如 alpha 波）与放松和注意力状态相关联。Buzsáki10探讨了神经振荡的生理意义及其在脑功能中的作用，强调了在脑电图研究中进行频率特异性分析的实用性。尽管频率波段分析已较为成熟，但在高维数据集中，高效且可扩展的特征提取流程的开发仍是当前研究的重点领域。

脑电图特征提取技术

Senkaya, Kurnaz 等人11曾利用功率谱密度（PSD）和熵等谱特征来预测阿尔茨海默病。这些谱功率有助于更准确地捕捉脑活动的减慢。尽管11该研究有效地分析了谱特征，但未纳入RMS等时域特征。因此，本研究提出从α、β、γ、θ和δ频段中提取时域特征。

Luck 等人和 Kappenman 等人12综述了注意力与工作记忆的脑电图生物标志物，强调了频带特征在认知状态区分中的重要性。Cassani 等人13探讨了脑电图作为阿尔茨海默病诊断工具的应用，利用频带特征识别认知衰退的神经特征。Michel 和 Murray14讨论了多通道脑电图分析在理解认知过程和神经连接性方面的效用，为机器学习应用奠定了基础。尽管取得了这些进展，自动化特征提取流程与可扩展机器学习模型（如随机森林和 XG-Boost）的整合仍鲜有研究。现有文献强调将组合频带分析与机器学习技术相结合，用于认知与临床应用。

用于痴呆分类的机器学习与混合融合模型

机器学习模型，特别是基于集成的方法（如XGBoost），在分类由脑电图（EEG）提取的特征方面已展现出良好的应用前景15。这些模型通过学习输入特征与输出标签之间的非线性关系，应对脑电信号的复杂性和变异性。尽管研究15已提出了一种合适的模型，但其准确率仍有不足。

Craik 等人16对用于脑电图（EEG）分析的深度学习与传统机器学习模型进行了全面综述，强调了梯度提升框架在结构化数据中的成功应用。Abiri 等人17将XG-Boost应用于脑机接口领域的EEG数据分析，因其能够有效处理特征冗余和噪声，实现了稳健的分类性能。Aghababaei 等人18展示了包括XG-Boost在内的集成方法在基于EEG的情绪识别任务中的应用，报告其在准确性和泛化能力方面优于传统方法。然而，仍存在诸如数据集不平衡、某些类别样本不足以及机器学习模型可解释性差等挑战，亟需进一步研究模型优化与正则化技术。

Zheng 等人19采用静息态闭眼脑电图（19 个通道）计算时频功能连接性指标，并训练机器学习分类器以区分阿尔茨海默病（AD）、额颞叶痴呆（FTD）和健康对照者。然而，他们强调需要改进信号表征的方法，并提供稳健的集成分类策略。

基于脑电图（EEG）的分类方法已广泛应用于认知神经科学和临床领域。尽管先前的研究为基于机器学习的脑电图分析奠定了坚实基础，但仍存在若干空白。许多研究依赖于手工设计的特征（例如，均方根值 RMS、功率谱密度 PSD），这些特征可能无法捕捉所有相关信息。自动特征工程与深度学习方法有望弥补传统方法的不足。

脑电图数据集中的类别不平衡问题，尤其是在多类别情况下，常常导致分类结果出现偏差。采用类别特异性加权和数据增强等策略，可改善少数类别的分类性能。然而，仍亟需开发高效、可解释且具有良好泛化能力的分析流程，以整合特征提取与模型分类过程。

访问受限。请登录或开始试用以查看此内容。

方案

该方法将脑电图（EEG）信号在频域内进行战略性分割，以提高频谱分辨率。随后，将采集到的EEG信号划分为10个片段，以增强时间分辨率及特征计算的一致性。该方法在提取的EEG特征基础上，采用基于随机森林（RF）、XGBoost和支撑向量机（SVM）的分类器，从而推动了鲁棒且可扩展的EEG分析方法的发展。实验表明，在特定超参数调整后，RF模型的性能优于其他标准模型。因此，本文提出一种混合、融合、堆叠的元学习模型，结合RF与XG-Boost，以进一步提升预测准确率。

本方法所使用的数据集是根据机构伦理标准收集的。数据集提供方在数据采集前已获得参与者的知情同意。

1. 数据集说明

为了验证该系统的稳健性，使用了两组数据。第一组数据来自脑电图（EEG）数据仓库20，包含88名参与者在闭眼静息状态下的数据，其中36名被诊断为阿尔茨海默病（AD），23名为额颞叶痴呆（FTD），29名为健康个体。脑电图记录采用国际10-20导联系统的19通道设备，在静息态闭眼条件下采集。在图2所示的数据集中，所有信号的采样频率为500 Hz，并以BIDS格式提供，且由数据集贡献者进行了初步的预处理。

第二组数据来自一个外部公共数据库21，包含35名静息状态下的受试者。其中13名为阿尔茨海默病（AD）患者，7名为轻度认知障碍（MCI）患者，15名为健康老年人。为与第一组数据保持一致，仅使用了第二组数据中的静息态基线片段20。第二组数据21需要完整的预处理流程，如图3所示。

2. 预处理

现有研究在很大程度上依赖复杂的预处理流程、人工伪迹校正步骤或独立成分分析-自动统计去除（ICA-ASR）方法来消除肌电干扰，这限制了在常规临床工作流程中的可重复性。为解决这些局限性，本文提出的处理流程专注于简化的仅基于脑电图（EEG）的方法，无需计算密集型的伪迹去除过程，而是强调受控滤波、片段分段和频率特异性特征计算。

  1. EEG 文件排序
    在预处理之前，所有 EEG 文件均被自动排序，以保持参与者层面和会话层面顺序的一致性。这确保了特征提取、分段（epoching）和标签对齐在所有受试者之间保持统一，并防止文件错配错误。此步骤在 图3 中显示为“Sort EEG file”。所有预处理均使用标准的开源 EEG 处理工具包完成。
  2. 带通滤波与重参考
    应用 0.5–40 Hz 范围内的巴特沃斯（Butterworth）带通滤波器，以保留相关的 EEG 成分，同时抑制漂移和高频噪声。信号被重新参考至所有 EEG 通道的平均值，从而最小化空间偏差并提高信噪比。
  3. 奈奎斯特频率偏移
    为提高低频成分的分辨率，通过将采样频率从 500 Hz 降至 250 Hz 来实施奈奎斯特偏移增强。在上述步骤之后，奈奎斯特修改进一步将其降至 125 Hz。由于 Delta、Theta、Alpha、Beta 和 Gamma 频率是范围在 0.5–40 Hz 的慢波，该调整改变了有效的奈奎斯特极限，增强了与痴呆相关的低频振荡的清晰度。此修改有助于更恰当地捕捉慢速脑波。公式 (1) 明确展示了奈奎斯特调整的结果。
    Fsampling= 500 Hz
    Nsampling= Fsampling/2
    Nnyquist= Nsampling/2 (1)
    需要注意的是，Nnyquist 并非实际运行的采样率，而仅仅是可表示的最大频率，因此不会影响分段（epoch segmentation）。它仅是一个理论极限，用于保证感兴趣频率范围（0.5–40 Hz）内的信号成分被完整保留。
  4. 将采样频率按时间划分为 10 个片段
    EEG 记录被划分为 10 个等长的时间片段。此步骤对于捕捉 EEG 信号随时间变化的非平稳活动至关重要。短而均匀的片段有利于稳定计算频带特异性特征，并为机器学习分类提供更丰富的训练样本。因此，每秒 250 个采样点变为 250 × 10 = 2500 个采样点。最终，每位受试者提取 10 个等长时间片段用于基于片段的分析策略。该分析策略为 88 名实际参与者共生成了 880 个样本。

    进行基于片段分析的目的是精细监测脑电信号的变化，从而为模型提供充足的时间序列数据以进行学习并防止过拟合。该方法的意义在于确保获得更细粒度的 EEG 分段时间数据，便于开展需要更高时间分辨率的分析，同时不牺牲总体特征值。通过生成 10 秒长的时间片段，该方法支持对 EEG 动态特性的更优建模，并与 EEG 分析协议中的标准片段时长相一致。

3. 特征提取

预处理后的脑电图信号被输入特征提取方法。脑电图信号经过带通滤波，分为5个标准频段：Delta（0.5-4 Hz）、Theta（4-8 Hz）、Alpha（8-13 Hz）、Beta（13-25 Hz）和Gamma（25-40 Hz）。

针对每个滤波后的信号，计算了所有脑电通道的均方根（RMS）值。RMS 的数学表达式如公式（1）所示：

均方根（RMS）= 标准差公式，Σ(N i=1 xᵢ²/N)，用于数据分析变异性的数学方程。    (1)

其中，xi 表示第 i 个时间采样点的 EEG 信号幅度，N 表示信号片段中的总采样点数。

选择均方根（RMS）作为主要特征，是因为它能够量化每个频段振荡活动的能量。阿尔茨海默病通常与delta和theta频段活动增强以及alpha和beta频段活动减弱相关。额颞叶痴呆（FTD）在这些频段可能表现出不同的模式20,21。由于功率谱密度（PSD）在数学上与RMS冗余，因此不将其作为特征。为了保持数据集的紧凑性，其余特征（如Hjorth参数和熵）被排除。

4. 杂交融合

将提取的时间域RMS特征与通过带通滤波获得的频率域特征相结合，构建成用于模型输入的混合特征空间。编译细节如图3所示。最终归一化的数据集以表格形式组织，其中行代表参与者，列代表时频带特征以及年龄、性别和分组等人口统计学特征。图2所示的流程可高效提取与阿尔茨海默病研究相关的脑电特征。所提取的特征可揭示关键频段内的神经活动信息，可用于机器学习和统计分析。

5. 特征选择

为了提高模型性能并降低特征维度，采用了一种基于双因素方差分析（ANOVA）的方法。该特征选择方法以组别（Group）和年龄（age）作为自变量，以RMS频段作为因变量特征。该分析评估了组别、年龄以及年龄与组别交互作用对每个特征的影响。对于至少一个因素p值< 0.05的特征被选中用于后续分类。基于ANOVA的详细结果见结果部分。这些特征是分类中最具有信息量的变量，有助于提升最终预测模型的准确性和泛化能力。经过ANOVA检验后，仅保留最具信息量的特征用于模型构建。此外，非数值型属性性别（Gender）和参与者编号（participant_id）被排除在分析之外。目标变量组别（Group）在分类前进行了标签编码（label-encoded）。

6. 模型描述

为了将疾病分为阿尔茨海默病、对照组和额叶痴呆3个类别，构建了三种监督式机器学习模型，包括XG-Boost、随机森林、支持向量机SVM以及一个堆叠模型。所有上述模型均采用70%的训练数据集和30%的测试数据集。选择每个模型均基于其在医疗数据分析中的已验证性能，以及其处理非线性和高维特征空间的能力。模型的评估在验证数据集上进行，以评估模型的泛化能力。

采用混淆矩阵评估模型性能，混淆矩阵包括真正例（TP）、假正例（FP）、真负例（TN）和假负例（FN）。性能指标包括准确率以及分类报告，分类报告详细列出了每个类别的精确率、召回率和 F1 分数。以下公式展示了性能指标。

准确率公式：(TP+TN)/(TP+TN+FP+FN)；统计分析方程。    (2)

精确率公式，\(Precision = \frac{TP}{TP+FP}\)，用于数据分析的统计公式。    (3)

召回率指标公式，TP/(TP+FN)，用于评估分类器性能的关键指标。    （4）

F1 分数公式，精确率与召回率的调和平均数方程，统计分析。    (5)

1. XG-Boost 分类器

该方法采用XGBoost算法构建了一个多分类模型，利用提取的特征来预测由脑电图（EEG）导出的认知状态，如图3的输出1所示。输出1包含均方根（RMS）特征和简易精神状态检查（MMSE）评分。在构建XGBoost模型时，纳入MMSE评分以检验RMS特征的非线性行为，并作为系统开发的基准和基线。为实现完全自动化且无需临床医生干预的系统目标，在后续阶段中排除了MMSE评分。

XG-Boost 是一种针对效率和准确性优化的梯度提升框架，非常适合处理分类任务中的结构化数据。通过交叉验证和网格搜索等方法，在EEG数据集上对少量超参数进行调优。以下定义的关键参数值用于控制过拟合 关键词：XG-Boost，梯度提升，超参数调优，交叉验证，网格搜索，EEG数据集，过拟合控制 通过 正则化并捕捉脑电特征的复杂性，同时避免模型过于复杂。

模型的关键参数包括：（1）最大树深度 = 8，该参数限制决策树的深度，以减少过拟合并增强泛化能力。因为过浅的树可能遗漏必要信息，而过深的树则可能导致过拟合。（2）L2 正则化（λ = 10）通过为大系数添加惩罚项，控制模型复杂度，从而最小化过拟合。（3）引入 L1 正则化（α = 5），使模型具有更高的稀疏性，以提升可解释性与鲁棒性。估计器数量（n_estimators=8）限制了提升迭代的次数，在保持计算效率的同时平衡模型性能。

2. 随机森林分类器

随机森林是一种集成分类器，通过在数据和特征的随机子集上构建多个决策树，并聚合它们的输出以得到最终预测结果。该方法对噪声具有较强的鲁棒性，能够很好地处理非线性数据，并通过平均不同决策树的预测结果来减少过拟合。在本研究中，随机森林模型的关键参数通过试错法进行配置，具体参数说明如下：
1) n_estimators=100
该参数用于限制森林中决策树的数量。决策树数量越多，模型的泛化能力越强，预测结果也越稳定。
2) max_depth=10
该参数表示每棵决策树的最大深度。若树的深度过低，可能存在欠拟合风险；而深度过高则可能捕捉过多细节并记忆训练数据，导致过拟合。因此，选择10作为最大深度是一个较优的平衡点，尤其适用于脑电图（EEG）等噪声较多或复杂的信号。
3) random_state=40
该参数固定了用于Bootstrap抽样和决策树构建的随机数生成种子，以确保实验结果的可重复性。
4) n_jobs=-1
将n_jobs参数设置为-1，可使模型高效利用所有可用的CPU核心进行并行计算。

7. 支持向量机（SVM）

支持向量机是一种基于边界的分类器，以其在二分类和多分类任务中的线性性能而著称22。该模型采用了径向基函数核，因其能够捕捉非线性的脑电图（EEG）信号。然而，该模型表现出次优的性能，可能归因于缺乏特征缩放以及数据集规模有限。尽管支持向量机在理论上具有强大能力，但其对超参数调优和数据分布的敏感性可能解释了相较于基于树的模型所观察到的较低准确率。

8. 提出的 HY-fusion 模型

尽管随机森林模型达到了较高的准确率，但为了确保模型的泛化能力和可扩展性，我们构建了一个结合随机森林和XG-Boost的堆叠模型。该模型的输出被用作逻辑回归模型的输入，而逻辑回归则作为元学习器。模型的结构示意图见图4。

以及 1st 输入集20，堆叠模型还接收了第二组数据的输入23来自Mendely的数据集21 通过提取RMS并分段为10秒的片段，对数据进行预处理以转化为模型可理解的形式。各模型所得结果见结果部分。

访问受限。请登录或开始试用以查看此内容。

结果

为了验证分段（epoch）方法的有效性，将随机森林（RF）模型在不分段数据集情况下的性能与分段情况进行对比。在不分段条件下，特征从整个连续记录中提取并输入RF模型。不分段信号的准确率为53%。这表明，分段为模型构建提供了更稳定且信息更丰富的处理方法。因此，基于方差分析（ANOVA）且p < 0.05的特征被视为具有显著性。例如，alpha_rms表现出显著的组间效应（p = 9.007147 × 10⁻³⁷），而年龄组效应及交互效应均无统计学意义，提示alpha_rms的变化主要源于疾病状态而非年龄。类似地，beta_rms在组间效应（p = 1.773449 × 10⁻⁸）和年龄组效应（p = 4.457329 × 10⁻²）上均具有显著性，表明其对病理变化和年龄相关变化均敏感。Gamma_rms在组间效应（p = 4.212443 × 10⁻¹°）和交互项（p = 4.527135 × 10⁻⁴）上均显著，提示疾病对gamma活动的影响部分依赖于年龄组。theta_rms和delta_rms未表现出显著的组间主效应；但它们在年龄组效应或组别×年龄组交互效应中达到了p < 0.05的显著性水平。因此，所有特征均被认为在模型...

访问受限。请登录或开始试用以查看此内容。

讨论

在本研究中，采用 Hy-Fusion 堆叠架构的动机在于结合基于树的学习器（如随机森林，RF）的互补优势，并通过逻辑回归元学习器降低预测方差。当基础学习器具有不同的归纳偏置和误差模式时，堆叠策略尤为常用。元学习器能够学习纠正基础分类器的系统性误差，从而生成更精确校准的集成输出。

创建时间窗的过程不仅丰富了数据集，还有助于将模型的性能提升到更高水平。表5展示了所提出方法与现有基于脑电图（EEG）的痴呆分类方法的对比研究25,26,27。

本研究解决了一个更具挑战性的三分类问题：阿尔茨海默病（AD）、额颞叶痴呆（FD）和健康状态。此外，本方法引入了奈奎斯特偏移增强技术，而此技术在先前的方法中并未使用。这突显了所提出方法的新颖性与有效性。

结论...

访问受限。请登录或开始试用以查看此内容。

披露

作者确认本出版物不存在任何利益冲突需要声明。

致谢

作者感谢编辑和匿名审稿人的意见，这些意见有助于提升本文的质量。本研究未从公共、商业或非营利机构的资助方获得任何专项资助。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
带通滤波工具MNE-Python内置滤波器用于预处理
计算机工作站—Windows/Linux分析计算
脑电图采集系统由数据集创建者提供—作者未使用（数据集已提供）
分段函数MNE-Python内置函数用于数据分割
GitHub 或 Google Drive——代码/数据存储
Google ColabGoogle在线云端计算环境
MATLAB（用于信号检查）MathWorksR202x可选
Mendeley 脑电图数据集Mendeley Data外部验证数据集
MNE-Pythonhttps://mne.toolsv1.x脑电图预处理/分析
NumPyNumPy 开发者最新版数组计算
OpenNeuro 脑电图数据集OpenNeurods004504 (v1.0.8)阿尔茨海默病/额颞叶痴呆/健康对照脑电图的主要数据集
PythonPython 基金会v3.10+编程环境
scikit-learnsklearn 开发者v1.x机器学习模型
SciPySciPy 开发者最新版信号处理

参考文献

  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).

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

勘误


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

标签

相关文章