Artículo de investigación

Un modelo único de EEG-Hyfusion totalmente automatizado apilado para la clasificación de la enfermedad de Alzheimer y la demencia frontotemporal

DOI:

10.3791/69762

⸱

13 de febrero de 2026

 , 
1Computer Science and Engineering, Presidency University, Bangalore

En este artículo

Aviso de erratum

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

Resumen

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

Este artículo presenta una cadena automatizada de extracción de características que incorpora modelos de mejora de desplazamientos de Nyquist y ensambles de aprendizaje automático para distinguir entre la enfermedad de Alzheimer, la demencia frontotemporal y las clases Healthy sin necesidad de intervención humana.

Resumen

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

La enfermedad de Alzheimer (EA) y la demencia frontotemporal (DFT) son trastornos neurodegenerativos comunes que afectan la memoria, la función cognitiva y el procesamiento ejecutivo. El objetivo de este estudio es desarrollar una cadena de aprendizaje automático totalmente automatizada para predecir la enfermedad de Alzheimer en una fase temprana sin necesidad de intervención clínica. Esta metodología propone un análisis cuantitativo de los sutiles cambios de neuroactividad. El objetivo es desarrollar un sistema fiable y totalmente automatizado que utilice datos de EEG para clasificar a los pacientes en grupos de EA, DFT y Control Saludable, eliminando la necesidad de intervención humana o evaluaciones clínicas. Una innovación importante del sistema radica en su enfoque de procesamiento de señales y su pipeline automatizado de funcionalidades. Específicamente, la modificación estratégica de la frecuencia de Nyquist se utiliza para mejorar la resolución de la señal EEG, en combinación con una capa híbrida de fusión que integra características EEG multidominio y datos demográficos. Posteriormente, una selección de características bidireccional basada en ANOVA refina este conjunto híbrido. Esta mejora facilita una extracción de características más eficaz, contribuyendo a una mayor precisión en la clasificación. En el método propuesto, las frecuencias se eclipsan para enriquecer el conjunto de datos de entrenamiento. Y por tanto, el modelo estándar de bosque aleatorio da una precisión de entrenamiento del 99,72%. Para garantizar la robustez y generalizabilidad del método, se propone un modelo de fusión híbrida.

Introducción

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

Los síntomas más comunes de la enfermedad de Alzheimer son pérdida de memoria, deterioro cognitivo, insomnio del sueño, confusión, desorientación, cambios de personalidad, etc. Por lo tanto, la predicción temprana puede asegurar que los pacientes no se deterioren a los peores niveles, donde necesitan ayuda las 24 horas del día, los 7 días de la semana. Existen varias formas de diagnosticar esta enfermedad, como la resonanciamagnética 1, TAC, PET2 yEEG 3. En particular, las señales EEG en combinación con MMSE han demostrado ser un método no invasivo para la predicción de la enfermedad de Alzheimer. Las frecuencias de la señal EEG varían en alfa, beta, theta, gamma y delta. Una onda alfa se detecta cuando una persona está en un estado derelajación 3. La frecuencia de las ondas alfa varía entre 8 y 12Hz 4. Las ondas beta están activas durante la fase de alerta del cerebro y oscilan entre 13 y 30Hz 4. Las ondas theta y delta están activas en los estados de sueño y sueño profundo, respectivamente. Sus rangos de frecuencia son theta (4-7 Hz) y delta (< 3,5 Hz) [4]. Los métodos diagnósticos tradicionales dependen de la imagen y evaluaciones clínicas, como la MMSE, que suelen ser subjetivas y costosas, mientras que las señales EEG capturan la actividad cerebral en tiempo real y ofrecen alternativas eficientes.

Esta investigación propone una cadena de diagnóstico totalmente automatizada que solo recibe señales EEG como entrada, evitando así la necesidad de puntuación clínica. Se pueden usar varios métodos para extraer estas ondas del cerebro. Un filtro pasabanda que considera la frecuencia de Nyquist es un método para extraer las frecuencias EEG. La frecuencia de Nyquist reduce la frecuencia de muestreo a la mitad para obtener mejor claridad en las señales preprocesadas. Por ello, la prueba EEG combinada con el Mini-Examen del Estado Mental (MMSE) es un método utilizado por neurólogos para evaluar las distintas etapas de la enfermedad de Alzheimer (EA). La Federación Europea de CientíficosNeurológicos ha establecido directrices para diagnosticar diversas clases de esta enfermedad.

Este artículo clasifica en términos generales la enfermedad de Alzheimer (EA), la demencia frontotemporal (DFT) y los sujetos sanos (categoría control). La demencia frontotemporal es una afección del cerebro humano en la que solo se ven afectadas la parte frontal y el lóbulo temporaldel cerebro 6,7. La Figura 1 ilustra las regiones del cerebro que normalmente se ven afectadas en la demencia frontotemporal (DFT), incluyendo los lóbulos frontal y temporal. En este estudio, las características en el dominio del tiempo y en el dominio de la frecuencia de la señal EEG se combinan con características demográficas. Para garantizar la objetividad y autonomía del marco de aprendizaje automático, la puntuación del Mini-Examen del Estado Mental (MMSE) fue excluida deliberadamente del conjunto de características. Aunque la MMSE es una métrica clínica ampliamente utilizada para la evaluación cognitiva, está inherentemente influenciada por la evaluación del clínico e introduce un sesgo dominante en las tareas de clasificación. Al omitir la MMSE, el método propuesto pretende desarrollar un modelo diagnóstico autosuficiente y basado en datos, capaz de funcionar de forma independiente de las entradas clínicas subjetivas, apoyando así el desarrollo futuro de herramientas de cribado totalmente automatizadas basadas en IA. Las características finales, excluyendo la puntuación MMSE, se etiquetan y se proporcionan al modelo propuesto EEG-hifusión. Los detalles se describen en la sección de Protocolo.

Revisión bibliográfica

La electroencefalografía (EEG) ofrece una herramienta no invasiva y rentable para el diagnóstico precoz de condiciones neurológicas. La extracción de características del EEG y el análisis de bandas de frecuencia han surgido como modalidades cruciales en neurociencia e investigación clínica, ofreciendo información sobre la actividad cerebral a través de diversos estados cognitivos y patológicos. El uso del aprendizaje automático para analizar datos de EEG ha ganado popularidad en los últimos años, con aplicaciones que van desde el monitoreo del estado cognitivo hasta el diagnóstico precoz de trastornos neurológicos como la enfermedad de Alzheimer. Esta revisión bibliográfica destaca contribuciones clave y carencias en la investigación existente relacionada con la extracción, clasificación y desarrollo de modelos de características del EEG.

Relevancia cognitiva de la señal EEG

Aunque Subha et al.8 enfatizaron la característica en el dominio tiempo-frecuencia, RMS, que captura eficientemente la naturaleza no estacionaria de las señales EEG, su trabajo no introduce ninguna construcción de modelos. Por ello, este estudio propuso modelos de aprendizaje automático para determinar la precisión con la que se puede diagnosticar la enfermedad.

Barry et al.9demostraron la relación entre las bandas de frecuencia del EEG y los estados cognitivos, vinculando bandas de frecuencia específicas (por ejemplo, ondas alfa) con la relajación y la atención. Buzsáki10 exploró la importancia fisiológica de las oscilaciones neuronales y su papel en las funciones cerebrales, subrayando la utilidad del análisis específico por frecuencia en estudios EEG. Aunque el análisis de bandas de frecuencia está bien establecido, la necesidad de canalizaciones de extracción de características eficientes y escalables sigue siendo un área de enfoque, especialmente en conjuntos de datos de alta dimensión.

Técnicas de extracción de características con EEG

Senkaya, Kurnaz et al.11 han utilizado características espectrales, como la PSD y la entropía, para predecir la enfermedad de Alzheimer. Estas potencias espectrales ayudan a captar con mayor precisión la ralentización de la actividad cerebral. Aunque11 la obra abordó eficazmente características espectrales, no incorporó características en el dominio del tiempo como el RMS. Por lo tanto, este estudio propone características en el dominio temporal extraídas de frecuencias como alfa, beta, gamma, theta y delta.

Luck et al. y Kappenman et al.12 revisaron biomarcadores EEG de atención y memoria de trabajo, enfatizando la importancia de las características de la banda de frecuencia en la discriminación de estados cognitivos. Cassani et al.13 exploraron el EEG como herramienta diagnóstica para la enfermedad de Alzheimer, aprovechando características de la banda de frecuencia para identificar firmas neuronales de deterioro cognitivo. Michel yMurray 14 discutieron la utilidad del análisis EEG multicanal para comprender procesos cognitivos y conectividad neuronal, sentando las bases para aplicaciones de aprendizaje automático. A pesar de estos avances, la integración de pipelines automatizados de extracción de características con modelos escalables de aprendizaje automático, como Random Forest y XG-Boost, sigue siendo poco explorada. La literatura existente destaca el análisis combinado de bandas de frecuencia con técnicas de aprendizaje automático para aplicaciones cognitivas y clínicas.

Aprendizaje automático y modelos híbridos de fusión para la clasificación de la demencia

Los modelos de aprendizaje automático, especialmente los métodos basados en conjuntos como XGBoost, han mostrado potencial para clasificar características derivadas delEEG 15. Estos modelos abordan la complejidad y variabilidad de las señales EEG aprendiendo relaciones no lineales entre las características de entrada y las etiquetas de salida. Aunque el estudio15 ha propuesto un modelo adecuado, la puntuación de precisión está comprometida.

Craik et al.16 ofrecieron una revisión exhaustiva del aprendizaje profundo y de los modelos tradicionales de aprendizaje automático para el análisis EEG, destacando el éxito de los marcos de gradiente de aumento en datos estructurados. Abiri et al.17 aplicaron XG-Boost a datos EEG para aplicaciones de interfaz cerebro-ordenador, logrando un rendimiento de clasificación robusto gracias a su capacidad para manejar redundancia de características y ruido. Aghababaei et al.18 demostraron el uso de métodos en conjunto, incluido XG-Boost, en tareas de reconocimiento emocional basadas en EEG, reportando mejoras en precisión y generalización respecto a los enfoques tradicionales. Sin embargo, persisten desafíos como conjuntos de datos desequilibrados, la subrepresentación de ciertas clases y la interpretabilidad de los modelos de aprendizaje automático, lo que hace necesaria una investigación adicional en técnicas de optimización y regularización de modelos.

Zheng et al.19 utilizaron EEG en estado de reposo con ojos cerrados (19 canales) para calcular medidas de conectividad funcional tiempo-frecuencia y entrenaron clasificadores de aprendizaje automático para separar controles AD, FTD y sanos. Sin embargo, subrayaron la necesidad de métodos que mejoren la representación de señales y proporcionen una clasificación robusta de conjuntos.

La clasificación basada en EEG se ha aplicado extensamente en neurociencia cognitiva y en ámbitos clínicos. Aunque estudios previos proporcionan una base sólida para el análisis EEG basado en aprendizaje automático, persisten varias lagunas. Muchos estudios se basan en características hechas a mano (por ejemplo, RMS, PSD), que pueden no recoger toda la información relevante. La ingeniería automatizada de características y los métodos de aprendizaje profundo podrían complementar los enfoques tradicionales.

El desequilibrio en los conjuntos de datos EEG, especialmente en entornos multiclase, a menudo distorsiona los resultados de clasificación. Estrategias como la ponderación específica por clase y la ampliación de datos podrían mejorar el rendimiento de las clases subrepresentadas. Sin embargo, sigue existiendo la necesidad de pipelines eficientes, interpretables y generalizables que integren la extracción de características y la clasificación de modelos.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

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

El método propuesto segmenta la señal EEG estratégicamente en el dominio de la frecuencia para mejorar la resolución espectral. Posteriormente, las señales EEG capturadas se epochinan en 10 segmentos para mejorar la resolución temporal y la consistencia en el cálculo de características. El método propuesto implementa un clasificador basado en RF, XGBoost y SVM sobre características derivadas del EEG, contribuyendo así al desarrollo de métodos robustos y escalables para el análisis del EEG. El modelo RF con ciertos cambios en los hiperparámetros ha demostrado ser el mejor desempeño entre otros modelos estándar. Por ello, se propone un modelo híbrido, fusionado y apilado metalearner que combina RF y XG-Boost para mejorar aún más la precisión de la predicción.

El conjunto de datos utilizado en este método se recopiló conforme a los estándares éticos institucionales. Los proveedores del conjunto de datos obtuvieron el consentimiento de los participantes antes de la adquisición de datos.

1. Especificación del conjunto de datos

Para demostrar la robustez del sistema, se han utilizado dos conjuntos de datos. El primer conjunto de datos se recoge del repositoriode EEG 20, que comprende 88 participantes en estado de reposo con ojos cerrados, donde 36 fueron diagnosticados con EA, 23 de ellos FTD y 29 estaban sanos. Las grabaciones EEG se adquirieron en estado de reposo, con los ojos cerrados, utilizando un sistema de 19 canales tras el montaje internacional 10-20. En el conjunto de datos mostrado en la Figura 2, todas las señales fueron muestreadas a 500 Hz y proporcionadas en formato BIDS con preprocesamiento preliminar por parte de los colaboradores del conjunto.

El segundo conjunto de datos se recoge de un repositorio públicoexterno 21 que comprende 35 participantes en estado de reposo. De los cuales, 13 participantes tienen diagnóstico de enfermedad de Alzheimer (EA), 7 son pacientes con deterioro cognitivo leve (DCL) y 15 son ancianos sanos. Solo se utilizaron los segmentos de referencia del estado de reposo del segundo conjunto de datos para mantener la consistencia con el primerconjunto de datos 20. El segundo conjunto dedatos 21 requería una cadena completa de preprocesamiento, como se menciona en la Figura 3.

2. Preprocesamiento

Los estudios existentes dependen en gran medida de complejos procesos de preprocesamiento, pasos manuales de corrección de artefactos o ICA-ASR para eliminar movimientos musculares, que limitan la reproducibilidad en los flujos de trabajo clínicos rutinarios. Para abordar estas limitaciones, la pipeline propuesta se centra en un enfoque simplificado solo con EEG que elimina la necesidad de procedimientos computacionalmente intensivos para eliminar artefactos y, en su lugar, enfatiza el filtrado controlado, la segmentación de épocas y el cálculo de características específicas por frecuencia.

  1. Ordenación de archivos EEG
    Antes del preprocesamiento, todos los archivos EEG se ordenaban automáticamente para mantener una consistencia en el orden por participante y por sesión. Esto garantizaba que la extracción de características, la epocalidad y la alineación de etiquetas fueran uniformes en todos los sujetos y evitaba errores de desajuste en archivos. Este paso se muestra en la Figura 3 como "Ordenar archivo EEG." Todo el preprocesamiento se realiza utilizando un kit de herramientas estándar de código abierto para procesamiento EEG.
  2. Filtrado pasabanda y re-referenciación
    Se aplicó un filtro pasa-banda Butterworth en el rango de 0,5-40 Hz para conservar componentes relevantes del EEG mientras atenuaba la deriva y el ruido de alta frecuencia. Las señales se volvieron a referenciar a la media de todos los canales EEG, minimizando así el sesgo espacial y mejorando la relación señal-ruido.
  3. Desplazamiento de frecuencia de Nyquist
    Para mejorar la resolución de los componentes de baja frecuencia, se aplicó una mejora de desplazamiento de Nyquist reduciendo a la mitad la frecuencia de muestreo de 500Hz a 250Hz. Siguiendo el paso anterior, la modificación de Nyquist lo reduce a 125Hz. Como las frecuencias Delta, Theta, Alfa, Beta y Gamma son ondas lentas que oscilan entre 0,5 y 40 Hz, esto desplaza el límite efectivo de Nyquist y mejora la claridad de las oscilaciones de baja frecuencia, relevantes para la demencia. Esta modificación ayudó a capturar las ondas cerebrales lentas de forma más adecuada. La ecuación (1) muestra claramente el resultado del medicamento de Nyquist.
    Muestreo F = 500 Hz
    N muestreo = Fmuestreo/2
    Nnyquist= Nmuestreo/2 (1)
    Es importante señalar que Nnyquist no es la frecuencia de muestreo operativa, sino simplemente la frecuencia máxima representable, y por lo tanto no afecta a la segmentación de época. Es solo un límite teórico utilizado para garantizar que el contenido de frecuencia de interés (0,5-40 Hz) se preserve completamente.
  4. Frecuencia de muestreo de época a 10 segmentos
    Las grabaciones EEG se dividen en 10 segmentos de igual longitud. Este paso es esencial para captar la actividad no estacionaria de la señal EEG a lo largo del tiempo. Los segmentos cortos y uniformes permiten un cálculo estable de características específicas de banda y enriquecen muestras de entrenamiento para la clasificación por aprendizaje automático. Por tanto, las 250 muestras por segundo se convierten en 250 × 10 = 2500 muestras. Finalmente, se toman 10 épocas de igual duración por sujeto para estrategias de análisis por época. Esta estrategia de análisis generó 880 muestras para 88 participantes reales.

    La necesidad de un análisis por época es monitorizar minuciosamente los cambios en la señal cerebral, proporcionando así al modelo una cantidad considerable de datos temporales para aprender y evitar el sobreajuste. La importancia de este enfoque radica en asegurar datos de EEG más finos, facilitando análisis que requieren mayor resolución temporal sin comprometer los valores totales de características. Generando épocas de 10 segundos, la metodología permite mejorar la modelización de la dinámica del EEG y se alinea con las duraciones estándar de épocas en los protocolos de análisis EEG.

3. Extracción de características

Las señales EEG preprocesadas se pasan a métodos de extracción de características. Las señales EEG se filtran pasa-banda en 5 bandas de frecuencia estándar: Delta (0,5-4 Hz), Theta (4-8 Hz), Alfa (8-13 Hz), Beta (13-25 Hz) y Gamma (25-40 Hz).

Para cada señal filtrada, se calculaba el valor de la Raíz Cuadrática Media (RMS) en todos los canales EEG. La formulación matemática de RMS se da en la Ecuación (1):

RMS = figure-protocol-1    (1)

Aquí, xi es la amplitud de la señal EEG en la muestra de la i vez. N es el número total de muestras en el segmento de señal.

El RMS fue seleccionado como característica principal debido a su capacidad para cuantificar la energía de la actividad oscilatoria en cada banda de frecuencia. La enfermedad de Alzheimer suele asociarse con un aumento de la actividad delta y theta y una reducción de la actividad alfa y beta. La demencia frontotemporal (DFT) puede mostrar patrones distintos en estas bandas20,21. Como PSD es matemáticamente redundante respecto al RMS, no se considera una característica. Para mantener un conjunto de datos compacto, se excluyen las características restantes, como Hjorth y Entropy.

4. Fusión híbrida

Las características RMS extraídas en el dominio temporal se combinaron con características en el dominio de la frecuencia recibidas del filtrado pasa banda convirtiéndolo en un espacio híbrido para la entrada del modelo. El detalle de la compilación se muestra en la Figura 3. El conjunto de datos normalizado final está organizado en un formato tabular con filas que representan a los participantes y columnas que representan características de la banda tiempo-frecuencia y características demográficas como edad, género y grupo. La tubería mostrada en la Figura 2 extrae eficientemente características del EEG relevantes para la investigación del Alzheimer. Las características extraídas proporcionan información sobre la actividad neuronal dentro de bandas clave de frecuencia y pueden utilizarse para aprendizaje automático y análisis estadístico.

5. Selección de características

Para mejorar el rendimiento del modelo y reducir la dimensionalidad de características, se aplicó un enfoque basado en el Análisis de Varianza bidireccional (ANOVA). La selección basada en ANOVA se aplicó con el Grupo y la edad como factores independientes, y las bandas de frecuencia RMS como características dependientes. Este análisis evaluó los efectos de la interacción entre grupos, edades y grupos de edad en cada característica. Se seleccionaron características con valores p < 0,05 para al menos un factor para una clasificación posterior. Los resultados detallados basados en ANOVA se muestran en la sección de resultados. Estas características son las variables más informativas para la clasificación, lo que ayudó a mejorar la precisión y generalización del modelo predictivo final. Como resultado de la prueba ANOVA, solo se seleccionaron las características más informativas para la creación del modelo. Y los atributos adicionales no numéricos, género y participant_id, fueron excluidos del análisis. El grupo de variables objetivo se codificaba con etiqueta para su clasificación.

6. Descripción del modelo

Para clasificar la enfermedad en 3 clases, a saber: Alzheimer, Control y Demencia Frontal, se construyeron tres modelos supervisados de aprendizaje automático, como XG-Boost, Random Forest, Support Vector Machine SVM y un modelo apilado. Todos los modelos mencionados utilizaron el 70% del conjunto de datos de entrenamiento y el 30% del conjunto de datos de prueba. Cada modelo fue seleccionado por su rendimiento probado en el análisis de datos sanitarios y su capacidad para manejar espacios de características no lineales y de alta dimensión. Se realizó una evaluación del modelo en el conjunto de datos de validación para evaluar la generalizabilidad del mismo.

El rendimiento del modelo se evaluó utilizando una matriz de confusión, que comprende los verdaderos positivos (TP), falsos positivos (FP), los verdaderos negativos (TN) y los falsos negativos (FN). Las métricas de rendimiento incluían precisión y un informe de clasificación que detallaba la precisión, la recuperación y las puntuaciones F1 para cada clase. La siguiente ecuación ilustra las métricas de rendimiento.

figure-protocol-2    (2)

figure-protocol-3    (3)

figure-protocol-4    (4)

figure-protocol-5(5)

1. Clasificador XG-Boost

Este método implementó un modelo de clasificación multiclase utilizando el algoritmo XGBoost para predecir estados cognitivos derivados de EEG a partir de características extraídas, como se muestra en la salida 1 de la Figura 3. La salida 1 contiene características RMS y la puntuación MMSE. Al construir el modelo XGBoost, se incluye la puntuación MMSE para probar el comportamiento no lineal de las características RMS. Se utiliza como referencia y referencia para el desarrollo del sistema. El MMSE fue excluido en etapas posteriores para cumplir el objetivo de un sistema totalmente automatizado e independiente del profesional.

XG-Boost es un framework de aumento de gradiente optimizado para la eficiencia y precisión, lo que lo hace muy adecuado para manejar datos estructurados en tareas de clasificación. Los pocos hiperparámetros se ajustan en el conjunto de datos EEG utilizando técnicas como la validación cruzada y la búsqueda en cuadrícula. Los valores clave de los parámetros definidos a continuación se eligen para controlar el sobreajuste mediante regularización y para capturar la complejidad de las características del EEG sin que sean demasiado complejas.

Los parámetros clave del modelo son: (1) Profundidad máxima del árbol = 8, que limita la profundidad de los árboles de decisión para reducir el sobreajuste y mejorar la generalización. Porque un árbol poco profundo perdería información innecesaria, ya que un árbol más profundo podría sobreajustarse. (2) La regularización L2 (λ = 10) añade una penalización para coeficientes grandes para minimizar el sobreajuste controlando la complejidad del modelo. (2) Se introduce la regularización L1 (α = 5) para aportar mayor esparsidad al modelo y así mejorar la interpretabilidad y robustez. El número de estimadores (n_estimators=8) limitaba el número de iteraciones de impulso para mantener la eficiencia computacional mientras se equilibraba el rendimiento.

2. Clasificador de Bosque Aleatorio

Random Forest es un clasificador de conjunto que construye múltiples árboles de decisión sobre subconjuntos aleatorios de datos y características, agregando sus resultados para la predicción final. Ofrece robustez al ruido, maneja bien los datos no lineales y reduce el sobreajuste promediando predicciones de árboles diversos. En este trabajo, el modelo de Bosque Aleatorio se configuró con parámetros clave utilizando el método de prueba y error. Estos parámetros se explican a continuación:
1) n_estimators=100
Se elige para limitar el número de árboles de decisión en el bosque. Cuantos más árboles, mejor la generalización y más estables serán las predicciones.
2) max_depth=10
Indica la profundidad máxima de cada árbol. Si el árbol tiene poca profundidad, existe la posibilidad de que se subajuste. Mientras que una alta profundidad puede capturar detalles y memorizar los datos de entrenamiento, puede sobreajustarse. Por lo tanto, elegir el 10 es un punto ideal, especialmente para señales ruidosas o complejas como el EEG.
3) random_state=40
Corrige la semilla de generación de números aleatorios usada para el muestreo Bootstrap y la construcción de árboles. Esto garantiza la reproducibilidad
4) n_jobs=-1
Al establecer el valor de n_jobs a -1, el modelo utiliza todos los núcleos de la CPU de forma eficiente.

7. Máquina de Vectores de Soporte (SVM)

Support Vector Machine es un clasificador basado en márgenes conocido por su rendimiento lineal en la clasificación binaria y multiclase22. Este modelo utilizaba un núcleo de función base radial debido a su capacidad para capturar señales EEG no lineales. Sin embargo, el modelo mostró un rendimiento subóptimo, probablemente debido a la falta de escalado de características y al tamaño limitado del conjunto de datos. Aunque la SVM es teóricamente potente, su sensibilidad al ajuste de hiperparámetros y a la distribución de datos puede explicar la menor precisión observada en comparación con los modelos basados en árboles.

8. Modelo propuesto de fusión HY-

Aunque el modelo Random Forest alcanzó alta precisión para garantizar la generalización y escalabilidad, se construyó un modelo apilado con Random Forest y XG-Boost. La salida se introduce como entrada a un modelo de regresión logística. Y la regresión logística actúa como un metaaprendizaje. El diagrama arquitectónico del modelo se muestra en la Figura 4.

Junto con elprimer conjunto de entradas20, el modelo apilado también recibía entrada del segundo conjunto dedatos 23. El conjunto de datos de Mendely21 se preprocesa en una forma comprensible para el modelo extrayendo RMS y epocando hasta 10 s. Los resultados obtenidos por cada modelo se muestran en la sección de resultados.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

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

Para justificar la fortaleza del método de época, se compara el rendimiento del modelo RF sin epochar el conjunto de datos. En la condición no epoca, se extrajeron características de toda la grabación continua y se asignaron al modelo RF. La señal no epocada ofrecía un 53% de precisión. Esto demuestra que la época proporciona un método informativo más estable para la creación de modelos. Por lo tanto, se consideran significativas características basadas en ANOVA con p < 0,05. Por ejemplo...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

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

En este estudio propuesto, la motivación para usar la arquitectura apilada Hy-Fusion es combinar las fortalezas complementarias de los aprendices basados en árboles, como RF, y reducir la varianza de predicción mediante un meta-aprendiz de regresión logística. La estrategia de apilamiento se adopta comúnmente cuando los aprendices base presentan diferentes sesgos inductivos y patrones de error. El meta-aprendiz aprende a corregir errores sistemáticos de los clasificadores base y a produc...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

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

Los autores confirman que no hay conflicto de intereses que declarar para esta publicación.

Agradecimientos

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

Los autores quieren agradecer al editor y a los revisores anónimos por sus comentarios, que ayudaron a mejorar la calidad. Esta investigación no recibió ninguna subvención específica de agencias financiadoras del sector público, comercial o sin ánimo de lucro.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Bandpass filtering toolsMNE-PythonFiltros incorporadosUsados para preprocesamiento
Computer workstation—Windows/LinuxCómputo de análisis
EEG Acquisition SystemProporcionado por los creadores del conjunto de datos—No utilizado por los autores (conjunto de datos proporcionado)
Epoching functionsMNE-PythonFunciones incorporadasUsadas para segmentación
GitHub or Google Drive——Almacenamiento para código/datos
Google ColabGoogleEn líneaEntorno de computación en la nube
MATLAB (used for signal checks)MathWorksR202xOpcional
Mendeley EEG DatasetMendeley DataConjunto de datos de validación externa
MNE-Pythonhttps://mne.toolsv1.xPreprocesamiento/análisis de EEG
NumPyDesarrolladores de NumPyMás recienteCálculo de matrices
OpenNeuro EEG DatasetOpenNeurods004504 (v1.0.8)Conjunto de datos principal para EEG de EA/DFT/CH
PythonPython Foundationv3.10+Entorno de programación
scikit-learnDesarrolladores de sklearnv1.xModelos de aprendizaje automático
SciPyDesarrolladores de SciPyMás recienteProcesamiento de señales

Referencias

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

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Erratum

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

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

Etiquetas

Clasificaci n de EEGaprendizaje autom tico automatizadoprocesamiento de se alesextracci n de caracter sticasmodelo de fusi n h bridofrecuencia de Nyquistbosque aleatorioANOVA de dos v as

Artículos relacionados