מאמר מחקר

מודל EEG-Hyfusion ייחודי אוטומטי לחלוטין לסיווג מחלת אלצהיימר ודמנציה פרונטו-טמפורלית

DOI:

10.3791/69762

⸱

13 בפברואר 2026

 , 
1Computer Science and Engineering, Presidency University, Bangalore

במאמר זה

הודעת תיקון

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

סיכום

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

מאמר זה מציג צינור אוטומטי לחילוץ תכונות הכולל מודלים של שיפור משמרת נייקוויסט ומודלים של למידת מכונה כדי להבחין בין מחלת אלצהיימר, דמנציה פרונטוטמפורלית ומקצועות בריאים, מבלי לדרוש התערבות אנושית.

תקציר

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

מחלת אלצהיימר (AD) ודמנציה פרונטו-טמפורלית (FTD) הן הפרעות נוירודגנרטיביות נפוצות הפוגעות בזיכרון, בתפקוד קוגניטיבי ובעיבוד ניהולי. מטרת מחקר זה היא לפתח צינור למידת מכונה אוטומטי לחלוטין לחיזוי מחלת אלצהיימר בשלב מוקדם ללא צורך בהתערבות קלינית. שיטה זו מציעה ניתוח כמותי של שינויים עדינים בפעילות עצבית. המטרה היא לפתח מערכת אמינה ואוטומטית לחלוטין המשתמשת בנתוני EEG כדי לסיווג מטופלים לקבוצות AD, FTD ו-Healthy Control Control, ובכך לבטל את הצורך בהתערבות אנושית או בהערכות קליניות. חידוש מרכזי במערכת טמון בגישת עיבוד האותות ובצינור התכונות האוטומטי. באופן ספציפי, השינוי האסטרטגי בתדר נייקוויסט משמש לשיפור רזולוציית אות ה-EEG, בשילוב עם שכבת מיזוג היברידית המשלבת תכונות EEG רב-תחומיות ונתונים דמוגרפיים. בהמשך, בחירת תכונות דו-כיוונית מבוססת ANOVA משפרת את סט ההיבריד הזה. שדרוג זה מקל על חילוץ תכונות יעיל יותר, ותורם לדיוק סיווג גבוה יותר. בשיטה המוצעת, התדרים מחולקים לאפוקים כדי להעשיר את מאגר הנתונים של האימון. וכך מודל היער האקראי הסטנדרטי נותן דיוק אימון של 99.72%. כדי להבטיח את החוסן וההכללה של השיטה, מוצע מודל היתוך היברידי.

מבוא

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

התסמינים הנפוצים של מחלת האלצהיימר הם אובדן זיכרון, פגיעה קוגניטיבית, נדודי שינה, בלבול, בלבול, שינויים באישיות ועוד. לכן, חיזוי מוקדם יכול להבטיח שהמטופלים לא יידרדרו לרמות הגרועות ביותר, שבהן הם זקוקים לעזרה 24/7. ישנן דרכים שונות לאבחן מחלה זו, כגון MRI1, CT, PET2 ו-EEG3. במיוחד, אותות ה-EEG בשילוב עם MMSE הוכחו כשיטה לא פולשנית לחיזוי מחלת אלצהיימר. תדרי אות ה-EEG משתנים לאלפא, בטא, תטא, גמא ודלתא. גל אלפא מזוהה כאשר אדם נמצא במצב רפוי3. תדר גלי האלפא נע בין 8 ל-12 הרץ4. גלי בטא פעילים בשלב הכוננות במוח ונעים בין 13 ל-30 הרץ4. גלי התטא והגל הדלתא פעילים במצבי שינה ושינה עמוקה, בהתאמה. טווחי התדרים שלהם הם תטא (4-7 הרץ) ודלתא (< 3.5 הרץ) [4]. שיטות אבחון מסורתיות מתבססות על הדמיה והערכות קליניות, כגון MMSE, שלרוב הן סובייקטיביות ויקרות, בעוד שאותות EEG לוכדים פעילות מוחית בזמן אמת ומציעים חלופות יעילות.

מחקר זה מציע צינור אבחון אוטומטי מלא שמקבל רק אותות EEG כקלט, ובכך עוקף את הצורך בניקוד קליני. ניתן להשתמש בשיטות שונות כדי להוציא את הגלים הללו מהמוח. מסנן פס שמתייחס לתדר נייקוויסט הוא שיטה לחילוץ תדרי ה-EEG. תדר נייקוויסט מפחית את תדר הדגימה לחצי כדי לקבל בהירות טובה יותר באותות המעובדים מראש. לכן, בדיקת ה-EEG בשילוב עם בדיקת המצב המיני-מנטלי (MMSE) היא שיטה שבה משתמשים נוירולוגים להערכת שלבים שונים של מחלת האלצהיימר (AD). הפדרציה האירופית של מדעני הנוירולוגיה5 קבעה הנחיות לאבחון סוגים שונים של מחלה זו.

מאמר זה מסווג באופן רחב מחלת אלצהיימר (AD), דמנציה פרונטו-טמפורלית (FTD) ונבדקים בריאים (קטגוריית ביקורת). דמנציה פרונטו-טמפורלית היא מצב במוח האנושי שבו רק החלק הקדמי והאונה הטמפורליתשל המוח מושפעים 6,7. איור 1 ממחיש את האזורים במוח הנפגעים בדרך כלל בדמנציה פרונטו-טמפורלית (FTD), כולל האונות הקדמיות והטמפורליות. במחקר זה, תכונות בתחום הזמן ותחום התדר של אות ה-EEG משולבות עם מאפיינים דמוגרפיים. כדי להבטיח את האובייקטיביות והאוטונומיה של מסגרת למידת המכונה, ציון מבחן המצב המיני-מנטלי (MMSE) הוצא במכוון מהמערך התכונות. למרות ש-MMSE הוא מדד קליני נפוץ להערכה קוגניטיבית, הוא מושפע באופן מהותי מהערכת הרופא ויוצר הטיה דומיננטית במשימות הסיווג. על ידי השמטת MMSE, השיטה המוצעת שואפת לפתח מודל אבחון עצמאי, מונחה נתונים, המסוגל לפעול באופן עצמאי מקלטים קליניים סובייקטיביים, ובכך לתמוך בפיתוח עתידי של כלי סינון אוטומטיים לחלוטין מבוססי בינה מלאכותית. התכונות האחרונות, למעט ציון MMSE, מסומנות ומסופקות למודל ה-EEG-hyfusion המוצע. הפרטים מתוארים בסעיף הפרוטוקול.

סקר ספרות

אלקטרואנצפלוגרפיה (EEG) מציעה כלי לא פולשני וחסכוני לאבחון מוקדם של מצבים נוירולוגיים. הפקת תכונות EEG וניתוח תדרים בתחום התדר הפכו לשיטה מרכזית במדעי המוח ובמחקר קליני, המציעים תובנות על פעילות מוחית במגוון מצבים קוגניטיביים ופתולוגיים. ניצול למידת מכונה לניתוח נתוני EEG צבר תאוצה בשנים האחרונות, עם יישומים שנעים ממעקב אחר מצב קוגניטיבי ועד לאבחון מוקדם של הפרעות נוירולוגיות כמו מחלת אלצהיימר. סקר ספרות זה מדגיש תרומות מרכזיות ופערים במחקר קיים הקשורים לחילוץ תכונות EEG, סיווג ופיתוח מודלים.

רלוונטיות קוגניטיבית לאות EEG

למרות שסובה ואח' הדגישו את תכונת תחום הזמן-תדר, RMS, שתופסת ביעילות את האופי הלא-סטציוני של אותות EEG, עבודתם אינה מציגה בניית מודלים. לכן, מחקר זה הציע מודלים של למידת מכונה כדי לקבוע עד כמה ניתן לאבחן את המחלה.

בארי ואח' הדגימואת הקשר בין תחומי תדר EEG למצבים קוגניטיביים, וקשרו בין תחומי תדרים ספציפיים (למשל, גלי אלפא) להרפיה ותשומת לב. בוזאקי10 חקר את המשמעות הפיזיולוגית של תנודות עצביות ותפקידן בתפקודי המוח, והדגיש את התועלת של ניתוח תדר ספציפי במחקרי EEG. למרות שניתוח תחום תדרים מבוסס היטב, הצורך בצינורות חילוץ תכונות יעילים וניתנים להרחבה נותר תחום מוקד, במיוחד במאגרי נתונים בעלי ממדים גבוהים.

טכניקות חילוץ תכונות EEG

סנקאיה, קורנאז ואחרים השתמשו בתכונות ספקטרליות, כמו PSD ואנטרופיה, כדי לחזות מחלת אלצהיימר. כוחות רוחניים אלה מסייעים ללכוד את האטת פעילות המוח בצורה מדויקת יותר. למרות שהעבודה עסקה בתכונות ספקטרליות ביעילות, היא לא שילבה תכונות בתחום הזמן כמו RMS. לכן, מחקר זה מציע תכונות בתחום הזמן שמופקות מתדרים כמו אלפא, בטא, גמא, תטא ודלתא.

לאק ואחרים וקאפנמן ואחרים 12 סקרו את סמני EEG של קשב וזיכרון עבודה, והדגישו את חשיבות תכונות תדר התדר באבחנה במצבים קוגניטיביים. קסאני ואח' חקרו את EEG ככלי אבחוני למחלת אלצהיימר, תוך ניצול תכונות של תדר-תדר לזיהוי חתימות עצביות של ירידה קוגניטיבית. מישל ומארי14 דנו בתועלתו של ניתוח EEG רב-ערוצי להבנת תהליכים קוגניטיביים וקישוריות עצבית, והניחו את היסודות ליישומי למידת מכונה. למרות ההתקדמות הזו, השילוב של צינורות חילוץ תכונות אוטומטיים עם מודלים של למידת מכונה ניתנים להרחבה, כמו Random Forest ו-XG-Boost, עדיין לא נחקר. הספרות הקיימת מדגישה שילוב של ניתוח תדר-תדר עם טכניקות למידת מכונה ליישומים קוגניטיביים וקליניים.

למידת מכונה ומודלים היברידיים לסיווג דמנציה

מודלים של למידת מכונה, במיוחד שיטות מבוססות קבוצות כמו XGBoost, הראו פוטנציאל בסיווג תכונות שמקורן ב-EEG15. מודלים אלו מטפלים במורכבות ובשונות של אותות EEG על ידי למידת קשרים לא ליניאריים בין תכונות קלט לתוויות פלט. למרות שמחקר15 הציע מודל מתאים, ציון הדיוק נפגע.

Craik ואחרים, 16 , סיפקו סקירה מקיפה של מודלים של למידה עמוקה ומודלים מסורתיים של למידת מכונה לניתוח EEG, והדגישו את הצלחת מסגרות הגברת הגרדיאנט בנתונים מובנים. Abiri ואחרים.17 יישמו את XG-Boost על נתוני EEG ליישומי ממשק מוח-מחשב, והשיגו ביצועי סיווג חזקים בזכות יכולתו להתמודד עם יתירות תכונות ורעש. אגאבבאי ואח' הדגימו את השימוש בשיטות קבוצתיות, כולל XG-Boost, במשימות זיהוי רגשות מבוססות EEG, תוך דיווח על שיפורים בדיוק והכללה לעומת גישות מסורתיות. עם זאת, אתגרים כמו מאגרי נתונים לא מאוזנים, ייצוג חסר של מחלקות מסוימות ויכולת הפרשנות של מודלים של למידת מכונה ממשיכים, מה שמחייב מחקר נוסף באופטימיזציה של מודלים וטכניקות רגולריזציה.

Zheng ואחרים השתמשו ב-EEG במצב מנוחה ועיניים עצומות (19 ערוצים) כדי לחשב מדדי קישוריות פונקציונליות של זמן-תדר, ומסווגי למידת מכונה להפריד בין AD, FTD ובקרות בריאות. עם זאת, הם הדגישו את הצורך בשיטות שמשפרות ייצוג אותות ומספקות סיווג אנסמבל חזק.

סיווג מבוסס EEG יושם באופן נרחב במדעי המוח הקוגניטיביים ובתחומים קליניים. בעוד שמחקרים קודמים מספקים בסיס חזק לניתוח EEG מבוסס למידת מכונה, נותרו מספר פערים. מחקרים רבים מסתמכים על תכונות מעוצבות בעבודת יד (למשל, RMS, PSD), שעשויות שלא לכלול את כל המידע הרלוונטי. הנדסת תכונות אוטומטית ושיטות למידה עמוקה יכולות להשלים גישות מסורתיות.

חוסר איזון במאגרי EEG, במיוחד בהקשרים מרובי מחלקות, לעיתים קרובות משפיע על תוצאות הסיווג. אסטרטגיות כמו משקל ספציפי למחלקה והרחבת נתונים עשויות לשפר את הביצועים של מחלקות מיוצגות פחות. עם זאת, עדיין יש צורך בצינורות יעילים, ניתנים לפרשנות והכללה שמשלבים חילוץ תכונות וסיווג מודלים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

השיטה המוצעת מחלקת את אותות ה-EEG באופן אסטרטגי לתחום התדרים כדי לשפר את הרזולוציה הספקטרלית. בהמשך, אותות ה-EEG שנלכדו מחולקים ל-10 מקטעים כדי לשפר את הרזולוציה הזמנית והעקביות בחישוב התכונות. השיטה המוצעת מיישמת מסווג מבוסס RF, XGBoost ו-SVM על תכונות EEG נגזרות, ובכך תורמת לפיתוח שיטות חזקות וניתנות להרחבה לניתוח EEG. מודל ה-RF עם שינויים מסוימים בהיפרפרמטרים הוכיח את עצמו כמיטב הביצועים מבין מודלים סטנדרטיים אחרים. לכן, מוצע מודל מטא-לומד היברידי, מאוחד וערום, המשלב RF ו-XG-Boost לשיפור דיוק החיזוי עוד יותר.

מערך הנתונים בשיטה זו נאסף בהתאם לסטנדרטים אתיים מוסדיים. ספקי מערכי הנתונים קיבלו הסכמה מהמשתתפים לפני איסוף הנתונים.

1. מפרט מאגר נתונים

כדי להוכיח את עמידות המערכת, נעשה שימוש בשתי קבוצות נתונים. הסט הראשון של הנתונים נאסף ממאגר הנתונים EEG20, הכולל 88 משתתפים במצב של עיניים עצומות במצב מנוחה, כאשר 36 אובחנו כ-AD, 23 מהם FTD, ו-29 היו בריאים. הקלטות EEG נרכשו במצב מנוחה ועיניים עצומות באמצעות מערכת של 19 ערוצים בעקבות מונטאז' בינלאומי של 10-20. במאגר הנתונים המוצג באיור 2, כל האותות נמדמו בתדר 500 הרץ וסופקו בפורמט BIDS עם עיבוד מוקדם ראשוני על ידי תורמי מערך הנתונים.

סט הנתונים השני נאסף ממאגר ציבורי חיצונישל 21 הכולל 35 משתתפים במצב מנוחה. מתוכם 13 משתתפים אובחנו עם מחלת אלצהיימר (AD), 7 משתתפים הם חולי פגיעה קוגניטיבית קלה (MCI), ו-15 הם קשישים בריאים. רק קטעי הבסיס של מצב מנוחה במאגר הנתונים השני שימשו לשמירה על עקביות עם מערך הנתוניםהראשון 20. סט הנתוניםהשני 21 דרש צינור עיבוד מקדים מלא, כפי שמוזכר באיור 3.

2. עיבוד מוקדם

מחקרים קיימים מסתמכים במידה רבה על צינורות עיבוד מוקדם מורכבים, שלבי תיקון ארטיפקטים ידניים או ICA-ASR להסרת תנועות שרירים, מה שמגביל את השחזור בתהליכים קליניים שגרתיים. כדי להתמודד עם מגבלות אלו, הצינור המוצע מתמקד בגישה פשוטה של EEG בלבד, שמבטלת את הצורך בהליכי הסרת ארטיפקטים אינטנסיביים חישובית, ומדגישה במקום זאת סינון מבוקר, סגמנטציה של תקופה וחישוב תכונות ספציפי לתדר.

  1. מיון קבצי EEG
    לפני העיבוד המקדים, כל קבצי ה-EEG היו ממוינים אוטומטית כדי לשמור על עקביות בסדר משתתפים ולפי מפגש. זה הבטיח שחילוץ התכונות, אפוקינג ויישור תוויות יהיו אחידים בכל הנושאים ומנע שגיאות אי-התאמה בקבצים. שלב זה מוצג באיור 3 כ"מיון קובץ EEG". כל העיבוד המוקדם נעשה באמצעות ערכת כלים סטנדרטית לעיבוד EEG בקוד פתוח.
  2. סינון פס והפניה מחדש
    מסנן פס Butterworth הוחל בטווח 0.5-40 הרץ לשמירת רכיבי EEG רלוונטיים תוך הפחתת הסטה ורעש בתדר גבוה. האותות הופנו מחדש לממוצע של כל ערוצי ה-EEG, ובכך צמצמו הטיה מרחבית ושיפרו את יחס האות לרעש.
  3. שינוי תדר בנייקוויסט
    כדי לשפר את הרזולוציה של רכיבים בתדר נמוך, הוחל שיפור הזזה של נייקוויסט על ידי הפחתת תדר הדגימה בחצי מ-500Hz ל-250Hz. בהתאם לשלב הנ״ל, שדרוג נייקוויסט מצמצם אותו ל-125Hz. מכיוון שתדרי דלתא, תטא, אלפא, בטא וגמא הם גלים איטיים הנעים בין 0.5 ל-40 הרץ, הדבר מזיז את גבול נייקוויסט האפקטיבי ומגביר את בהירות התנודות בתדר נמוך, הרלוונטיות לדמנציה. שינוי זה סייע ללכוד גלי מוח איטיים בצורה מתאימה יותר. משוואה (1) מראה בבירור את תוצאת תרופת נייקוויסט.
    דגימת F = 500 הרץ
    Nדגימה =דגימת F/2
    Nnyquist= Nדגימה/2 (1)
    חשוב לציין ש-Nנייקוויסט אינו קצב הדגימה התפעולי אלא פשוט התדר המקסימלי שניתן לייצוג , ולכן אינו משפיע על סגמנטציה של תקופה. זו רק מגבלה תיאורטית שמשמשת להבטיח שתכולת התדרים המעניינת (0.5-40 הרץ) נשמרת במלואה.
  4. תדירות דגימה בתקופה ל-10 מקטעים
    הקלטות ה-EEG מחולקות ל-10 קטעים באורך שווה. שלב זה חיוני ללכידת הפעילות הלא-סטציונית של אות ה-EEG לאורך זמן. המקטעים הקצרים והאחידים מאפשרים חישוב יציב של תכונות ספציפיות לתחום ומעשירים דגימות אימון לסיווג בלמידת מכונה. לכן, 250 דגימות לשנייה הופכות ל-250 × 10 = 2500 דגימות. לבסוף, נלקחים 10 תקופות באורך שווה לכל נושא עבור אסטרטגיות ניתוח לאורך תקופה. אסטרטגיית הניתוח הזו יצרה 880 דגימות עבור 88 משתתפים בפועל.

    הצורך בניתוח תקופתי הוא לנטר שינויים באותות המוח במידה מדוקדקת, ובכך לספק למודל כמות מספקת של נתונים זמניים ללמידה ומניעת התאמת יתר. המשמעות של גישה זו היא להבטיח נתוני EEG מדויקים יותר, ולהקל על ניתוחים הדורשים רזולוציה זמנית גבוהה יותר מבלי לפגוע בערכי התכונות הכוללים. על ידי יצירת אפוקים של 10 שניות, המתודולוגיה תומכת במודלים משופרים של דינמיקת EEG ומתיישרת עם משכי תקופה סטנדרטיים בפרוטוקולי ניתוח EEG.

3. חילוץ תכונות

אותות ה-EEG המעובדים מראש מועברים לשיטות חילוץ תכונות. אותות EEG מסוננים במעבר פס ל-5 תחומי תדרים סטנדרטיים: דלתא (0.5-4 הרץ), תטא (4-8 הרץ), אלפא (8-13 הרץ), בטא (13-25 הרץ) וגמא (25-40 הרץ).

עבור כל אות מסונן, ערך ריבוע ממוצע שורש (RMS) חושב בכל ערוצי ה-EEG. הניסוח המתמטי של RMS ניתן במשוואה (1):

RMS = figure-protocol-1    (1)

כאן, xi היא משרעת אות ה-EEG בדגימת הזמן ה-i. N הוא סך כל הדגימות בקטע האות.

RMS נבחר כתכונה העיקרית בשל יכולתו לכמת את אנרגיית הפעילות התנודתית בכל תחום תדרים. מחלת אלצהיימר קשורה לעיתים קרובות לפעילות מוגברת של דלתא ותטא ועם ירידה בפעילות אלפא ובטא. דמנציה פרונטו-טמפורלית (FTD) עשויה להציג דפוסים מובחנים לאורך רצועות אלו20,21. מכיוון ש-PSD הוא מיותר מתמטית ל-RMS, הוא אינו נחשב לתכונה. כדי לשמור על מערך נתונים קומפקטי, התכונות הנותרות, כמו יורט ואנטרופיה, אינן נמצאות.

4. היתוך היברידי

תכונות RMS בתחום הזמן שהופקו שולבו עם תכונות תחום התדר שהתקבלו מסינון פס על ידי הפיכתו למרחב היברידי לקלט מודל. פירוט האוסף מוצג באיור 3. מערך הנתונים המנורמל הסופי מאורגן בפורמט טבלאי, כאשר שורות המייצגות משתתפים ועמודות המייצגות תכונות בתחום הזמן-תדירות ותכונות דמוגרפיות כגון גיל, מגדר וקבוצה. הצינור המוצג באיור 2 מחלץ ביעילות תכונות EEG הרלוונטיות למחקר האלצהיימר. המאפיינים שהופקו מספקים תובנות על פעילות עצבית בתוך תחומי תדרים מרכזיים וניתן להשתמש בהם ללמידת מכונה וניתוח סטטיסטי.

5. בחירת מאפיינים

כדי לשפר את ביצועי המודל ולהפחית את ממדיות התכונות, יושמה גישה דו-כיוונית מבוססת ניתוח שונות (ANOVA). הבחירה המבוססת על ANOVA יושמה כאשר קבוצה וגיל הם גורמים בלתי תלויים, ותדרי RMS כתכונות תלויות. ניתוח זה העריך את השפעות האינטראקציה בין קבוצות, גיל וגיל-קבוצת גיל על כל תכונה. תכונות עם ערכי p < 0.05 לפחות עבור גורם אחד נבחרו לסיווג נוסף. התוצאות המפורטות המבוססות על ANOVA מוצגות בחלק התוצאות. תכונות אלו הן המשתנים המידעיים ביותר לסיווג, שסייעו לשפר את הדיוק וההכללה של המודל החיזוי הסופי. כתוצאה מבדיקת ANOVA, נבחרו רק התכונות המידעיות ביותר ליצירת המודלים. והתכונות הלא-מספריות הנוספות, מגדר ו-participant_id, הוצאו מהניתוח. קבוצת המשתנה היעד קודדה בתווית לסיווג.

6. תיאור הדגם

כדי לסווג את המחלה לשלוש קטגוריות: אלצהיימר, בקרה ודמנציה פרונטלית, נבנו שלושה מודלים מפוקחים של למידת מכונה כגון XG-Boost, Random Forest, Support Vector Machine SVM ומודל Stacked. כל המודלים שהוזכרו השתמשו ב-70% ממאגר הנתונים של האימון וב-30% ממאגר הנתונים של המבחן. כל מודל נבחר בשל ביצועיו המוכחים בניתוח נתוני בריאות ויכולתו להתמודד עם מרחבי תכונות לא ליניאריים ובממדים גבוהים. בוצעה הערכה של המודל על מאגר הנתונים של האימות כדי להעריך את הכללותיות.

ביצועי המודל הוערכו באמצעות מטריצת בלבול, שכללה חיובי אמיתי (TP), חיובי שגוי (FP), שלילי אמיתי (TN) ושלילי שגוי (FN). מדדי הביצועים כללו דיוק ודוח סיווג שפירט דיוק, זיכרון וציוני F1 לכל מחלקה. המשוואה הבאה ממחישה מדדי ביצועים.

figure-protocol-2    (2)

figure-protocol-3    (3)

figure-protocol-4    (4)

figure-protocol-5(5)

1. מסווג XG-Boost

שיטה זו יישמה מודל סיווג רב-מחלקתי באמצעות אלגוריתם XGBoost לחיזוי מצבים קוגניטיביים שמקורם ב-EEG מתכונות שהופצו, כפי שמוצג בפלט 1 באיור 3. פלט 1 מכיל תכונות RMS וציון MMSE. בעת בניית מודל XGBoost, נכלל ציון MMSE כדי לבדוק את ההתנהגות הלא-ליניארית של תכונות RMS. הוא משמש כנקודת ייחוס ובסיס לפיתוח המערכת. MMSE הוצאה מהחוק בשלבים מאוחרים יותר כדי לעמוד במטרה של מערכת אוטומטית לחלוטין ובלתי תלויה ברופא.

XG-Boost היא מסגרת הגברת גרדיאנטים המותאמת ליעילות ודיוק, מה שהופך אותה למתאימה מאוד לטיפול בנתונים מובנים במשימות סיווג. ההיפרפרמטרים המעטים מכוונים במאגר הנתונים של EEG באמצעות טכניקות כמו אימות צולב וחיפוש רשת. ערכי הפרמטרים המרכזיים המוגדרים להלן נבחרים כדי לשלוט בהתאמה יתר באמצעות רגולריזציה וללכוד את המורכבות של תכונות ה-EEG מבלי להיות מורכבים מדי.

הפרמטרים המרכזיים של המודל הם: (1) עומק עץ מקסימלי = 8, שמגביל את עומק עצי ההחלטה כדי להפחית התאמות יתר ולהגביר את ההכללה. כי עץ רדוד יפספס מידע מיותר, כי עץ עמוק יותר עלול להתאים יותר מדי. (2) רגולריזציה L2 (λ = 10) מוסיפה עונש על מקדמים גדולים כדי למזער התאמה יתר על ידי שליטה במורכבות המודל. (2) הוכנס רגולריזציה בשפה 1 (α = 5) כדי להוסיף דלילות נוספת למודל ולשיפור הפרשנות והעמידות. מספר האומדנים (n_estimators=8) הגביל את מספר האיטרציות המגבירות כדי לשמור על יעילות חישובית תוך איזון ביצועים.

2. מסווג יער אקראי

יער אקראי הוא מסווג אנסמבל שבונה עצי החלטה מרובים על תת-קבוצות אקראיות של נתונים ותכונות, ואוסף את הפלטים שלהם לחיזוי הסופי. הוא מציע עמידות לרעש, מטפל היטב בנתונים לא ליניאריים, ומפחית התאמת יתר על ידי ממוצע תחזיות עץ מגוונות. בעבודה זו, מודל היער האקראי הוגדר עם פרמטרים מרכזיים באמצעות שיטת ניסוי וטעייה. פרמטרים כאלה מוסברים להלן:
1) n_estimators=100
הוא נבחר כדי להגביל את מספר עצי ההחלטה ביער. ככל שיש יותר עצים, כך ההכללה טובה יותר והתחזיות יציבות יותר.
2) max_depth=10
הוא מציין את העומק המרבי של כל עץ. אם לעץ יש עומק נמוך, יש סיכוי להתאמות חלקיות. בעוד שעומק גבוה עשוי ללכוד פרטים ולשנן את נתוני האימון, הוא עלול להתאים יותר מדי. לכן, בחירת 10 היא נקודת מתוקה, במיוחד לאותות רועשים או מורכבים כמו EEG.
3) random_state=40
זה מתקן את יצירת המספרים האקראיים בזרעים המשמשים לדגימת Bootstrap ולבניית עץ. זה מבטיח שחזוריות
4) n_jobs=-1
על ידי הגדרת ערך n_jobs ל-1-, המודל מנצל את כל ליבות המעבד ביעילות.

7. מכונת וקטור תמיכה (SVM)

מכונת וקטור תמיכה היא מסווג מבוסס שוליים הידוע בביצועיו הליניאריים בסיווג בינארי ורב-מחלקות22. מודל זה השתמש בליבת פונקציית בסיס רדיאלית בשל יכולתו ללכוד אותות EEG לא ליניאריים. עם זאת, המודל הציג ביצועים לא אופטימליים, ככל הנראה בשל היעדר קנה מידה של תכונות וגודל מערך הנתונים המוגבל. למרות ש-SVM הוא חזק תיאורטית, רגישותו לכיוון היפרפרמטרים ולהתפלגות הנתונים עשויה להסביר את הדיוק הנמוך שנצפה בהשוואה למודלים מבוססי עץ.

8. מודל היתוך HY-מוצע

למרות שמודל היער האקראי השיג דיוק גבוה, כדי להבטיח הכללה ויכולת הרחבה, נבנה מודל מוערך עם יער אקראי ו-XG-Boost. הפלט מוזן כקלט למודל רגרסיה לוגיסטית. ורגרסיה לוגיסטית פועלת כמטה-למידה. דיאגרמת הארכיטקטורה של המודל מוצגת באיור 4.

יחד עם קבוצהראשונה של קלט20, המודל המוערך גם קיבל קלט מהסט השני של הנתונים23. מערך הנתונים מ-Mendely21 מעובד מראש לצורה מובנת למודל על ידי חילוץ RMS והעברת נתונים ל-10 שניות. התוצאות שהושגו על ידי כל מודל מוצגות בחלק התוצאות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

כדי להצדיק את חוזק שיטת האפוק, ביצועי מודל ה-RF משווים ללא אפוקינג של מערך הנתונים. במצב שאינו אפוק, תכונות הופקו מכל ההקלטה הרציפה והועברו למודל RF. האות הלא-אפוקינג העניק דיוק של 53%. דבר זה מראה שאפוקינג מספק שיטה אינפורמטיבית יציבה יותר ליצירת מודלים. לכן, תכונות מבוססות ANOVA עם p < 0.05 נחשבות למשמעותיות. לדוגמה, alpha_rms הראה אפקט קבוצתי משמעותי (p = 9.007147 × 10⁻³⁷), בעוד שהשפעות קבוצת גיל ואינטראקציה לא היו מובהקות סטטיסטית, מה שמרמז כי alpha_rms השינויים נובעים בעיקר ממצב המח...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

במחקר המוצע הזה, המוטיבציה לשימוש בארכיטקטורת Hy-Fusion הערומה היא לשלב את החוזקות המשלימות של לומדים מבוססי עץ, כגון RF, ולהפחית את שונות החיזוי באמצעות לומד מטא-לוגיסטי-רגרסיה. אסטרטגיית ההצטברות מאומצת לעיתים קרובות כאשר ללומדים הבסיסיים יש הטיות אינדוקטיביות ודפוסי שגיאה שונים. המטה-לומד לומד לתקן שגיאות שיטתיות של מסווגי הבסיס ולהפיק פלטי אנסמבל מכוילים יותר.

תהליך יצירת אפוקים לא רק העשיר את מערך הנתונים אלא גם סייע להעלות את ביצועי המודל לרמה גבוהה יותר...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

המחברים מאשרים שאין ניגוד עניינים להצהיר על פרסום זה.

תודות

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

המחברים רוצים להודות לעורך ולמבקרים האנונימיים על תגובותיהם, שסייעו לשפר את האיכות. מחקר זה לא קיבל מענקים ספציפיים מסוכנויות מימון במגזר הציבורי, המסחרי או הלא-רווחי.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

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

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תיקון

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

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

תגיות

EEGANOVA

מאמרים קשורים