Onderzoeksartikel

Een uniek EEG-Hyfusie volledig geautomatiseerd gestapeld model voor de classificatie van de ziekte van Alzheimer en fronto-temporale dementie

345 weergaven

⸱

DOI:

10.3791/69762

⸱

13 februari 2026

 , 
1Computer Science and Engineering, Presidency University, Bangalore

In dit artikel

Erratum-melding

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

Samenvatting

Dit artikel presenteert een geautomatiseerde feature-extractiepijplijn die Nyquist-shift enhancement en machine learning ensemblemodellen integreert om onderscheid te maken tussen de ziekte van Alzheimer, frontotemporale dementie en Healthy-klassen zonder menselijke interventie.

Samenvatting

De ziekte van Alzheimer (AD) en fronto-temporale dementie (FTD) zijn veelvoorkomende neurodegeneratieve aandoeningen die het geheugen, de cognitieve functies en executieve verwerking aantasten. Het doel van deze studie is het ontwikkelen van een volledig geautomatiseerde machine learning-pijplijn om de ziekte van Alzheimer in een vroeg stadium te voorspellen zonder dat er klinische interventie nodig is. Deze methodologie stelt een kwantitatieve analyse voor van subtiele neuroactiviteitsverschuivingen. Het doel is om een betrouwbaar, volledig geautomatiseerd systeem te ontwikkelen dat EEG-gegevens gebruikt om patiënten in AD-, FTD- en Healthy Control-groepen te classificeren, waardoor menselijke interventie of klinische beoordelingen niet meer nodig is. Een belangrijke innovatie van het systeem ligt in de signaalverwerkingsaanpak en de geautomatiseerde featurepijplijn. Specifiek wordt de strategische aanpassing van de Nyquist-frequentie gebruikt om de resolutie van EEG-signalen te verbeteren, in combinatie met een hybride fusielaag die multidomein EEG-kenmerken en demografische gegevens integreert. Vervolgens verfijnt een tweerichtings-ANOVA-gebaseerde functieselectie deze hybride set. Deze verbetering maakt effectievere feature-extractie mogelijk, wat bijdraagt aan een hogere classificatienauwkeurigheid. In de voorgestelde methode worden frequenties geepoched om de trainingsdataset te verrijken. En daarmee levert het standaard random forest-model 99,72% trainingsnauwkeurigheid. Om de robuustheid en generaliseerbaarheid van de methode te waarborgen, wordt een hybride fusiemodel voorgesteld.

Inleiding

De veelvoorkomende symptomen van de ziekte van Alzheimer zijn geheugenverlies, cognitieve stoornissen, slaapinslapeloosheid, verwarring, desoriëntatie, persoonlijkheidsveranderingen, enzovoort. Daarom kan vroege voorspelling ervoor zorgen dat patiënten niet terugvallen tot het slechtste niveau, waarbij ze 24/7 hulp nodig hebben. Er zijn verschillende manieren om deze ziekte te diagnosticeren, zoals MRI1, CT, PET2 en EEG3. In het bijzonder hebben EEG-signalen in combinatie met MMSE bewezen een niet-invasieve methode te zijn voor de voorspelling van de ziekte van Alzheimer. De EEG-signaalfrequenties variëren als alfa, bèta, theta, gamma en delta. Een alfagolf wordt gedetecteerd wanneer iemand zich in een ontspannen staatbevindt 3. De frequentie van de alfagolven varieert van 8 tot 12 Hz4. Bètagolven zijn actief tijdens de alertheidsfase van de hersenen en variëren van 13 tot 30 Hz4. De theta- en deltagolven zijn respectievelijk actief in slaap- en diepe slaaptoestanden. Hun frequentiebereik is theta (4-7 Hz) en delta (< 3,5 Hz) [4]. Traditionele diagnostische methoden zijn gebaseerd op beeldvorming en klinische evaluaties, zoals MMSE, die vaak subjectief en kostbaar zijn, terwijl EEG-signalen hersenactiviteit in realtime vastleggen en efficiënte alternatieven bieden.

Dit onderzoek stelt een volledig geautomatiseerde diagnostische pijplijn voor die alleen EEG-signalen als input neemt, waardoor klinische scoring wordt omzeild. Verschillende methoden kunnen worden gebruikt om deze golven uit de hersenen te halen. Een banddoorlaatfilter dat rekening houdt met de Nyquist-frequentie is een methode om de EEG-frequenties te extraheren. De Nyquist-frequentie halveert de bemonsteringsfrequentie om betere helderheid in de voorbewerkte signalen te verkrijgen. Daarom is de EEG-test in combinatie met het Mini-Mental State Examination (MMSE) een methode die neurologen gebruiken om verschillende stadia van de ziekte van Alzheimer (AD) te evalueren. De European Federation of Neurological Scientistsheeft richtlijnen opgesteld voor het diagnosticeren van verschillende klassen van deze ziekte.

Dit artikel classificeert in grote lijnen de ziekte van Alzheimer (AD), frontotemporale dementie (FTD) en gezonde proefpersonen (controlecategorie). Fronto-temporale dementie is een aandoening van de menselijke hersenen waarbij alleen het voorste deel en de temporale kwab van de hersenen worden aangetast 6,7. Figuur 1 toont de hersengebieden die typisch worden getroffen bij fronto-temporale dementie (FTD), waaronder de frontale en temporale lobben. In deze studie worden tijdsdomein- en frequentiedomeinkenmerken van het EEG-signaal gecombineerd met demografische kenmerken. Om de objectiviteit en autonomie van het machine learning-framework te waarborgen, werd de Mini-Mental State Examination (MMSE)-score bewust uitgesloten van de functieset. Hoewel MMSE een veelgebruikte klinische maatstaf is voor cognitieve beoordeling, wordt deze inherent beïnvloed door de evaluatie van de clinicus en introduceert het een dominante bias in classificatietaken. Door MMSE weg te laten, streeft de voorgestelde methode ernaar een zelfvoorzienend, datagedreven diagnostisch model te ontwikkelen dat onafhankelijk kan functioneren van subjectieve klinische input, en zo de toekomstige ontwikkeling van volledig geautomatiseerde, AI-gebaseerde screeningstools ondersteunt. De laatste kenmerken, exclusief de MMSE-score, worden gelabeld en beschikbaar gesteld aan het voorgestelde EEG-hyfusiemodel. De details worden beschreven in de sectie Protocol.

Literatuuroverzicht

Elektro-encefalografie (EEG) biedt een niet-invasief, kosteneffectief hulpmiddel voor vroege diagnose van neurologische aandoeningen. EEG-feature-extractie en frequentiebandanalyse zijn uitgegroeid tot een cruciale modaliteit in de neurowetenschap en klinisch onderzoek, die inzicht bieden in hersenactiviteit in diverse cognitieve en pathologische toestanden. Het gebruik van machine learning om EEG-gegevens te analyseren heeft de afgelopen jaren aan populariteit gewonnen, met toepassingen variërend van cognitieve toestandsmonitoring tot vroege diagnose van neurologische aandoeningen zoals de ziekte van Alzheimer. Deze literatuuroverzicht benadrukt belangrijke bijdragen en hiaten in bestaand onderzoek met betrekking tot EEG-feature-extractie, classificatie en modelontwikkeling.

Cognitieve relevantie van EEG-signaal

Hoewel Subha et al.8 de nadruk legden op tijd-frequentiedomein feature, RMS, dat efficiënt het niet-stationaire karakter van EEG-signalen vastlegt, introduceert hun werk geen modelbouw. Daarom stelde deze studie ML-modellen voor om te bepalen hoe nauwkeurig de ziekte kan worden gediagnosticeerd.

Barry et al.9toonden de relatie aan tussen EEG-frequentiebanden en cognitieve toestanden, waarbij specifieke frequentiebanden (bijv. alfagolven) werden gekoppeld aan ontspanning en aandacht. Buzsáki10 onderzocht de fysiologische betekenis van neurale oscillaties en hun rol in hersenfuncties, waarmee het nut van frequentiespecifieke analyse in EEG-studies werd onderstreept. Hoewel frequentiebandanalyse goed is gevestigd, blijft de behoefte aan efficiënte en schaalbare pijplijnen voor feature-extractie een aandachtsgebied, vooral in datasets met hoge dimensies.

EEG-feature-extractietechnieken

Senkaya, Kurnaz et al.11 hebben spectrale kenmerken zoals PSD en entropie gebruikt om de ziekte van Alzheimer te voorspellen. Deze spectrale krachten helpen om het vertragen van hersenactiviteit nauwkeuriger vast te leggen. Hoewel11 het werk spectrale kenmerken effectief behandelde, werden tijddomeinkenmerken zoals RMS niet opgenomen. Daarom stelt deze studie tijdsdomeinkenmerken voor die zijn geëxtraheerd uit frequenties zoals alfa, bèta, gamma, theta en delta.

Luck et al. en Kappenman et al.12 belichtten EEG-biomarkers van aandacht en werkgeheugen, waarbij ze het belang van frequentiebandkenmerken bij cognitieve toestanddiscriminatie benadrukten. Cassani et al.13 onderzochten EEG als diagnostisch hulpmiddel voor de ziekte van Alzheimer, waarbij ze gebruikmaakten van frequentiebandkenmerken om neurale signaturen van cognitieve achteruitgang te identificeren. Michel en Murray14 bespraken het nut van multikanaals EEG-analyse voor het begrijpen van cognitieve processen en neurale connectiviteit, waarmee de basis werd gelegd voor toepassingen van machine learning. Ondanks deze vooruitgang blijft de integratie van geautomatiseerde feature extractie-pijplijnen met schaalbare machine learning-modellen, zoals Random Forest en XG-Boost, onderbelicht. De bestaande literatuur benadrukt combinatie-frequentiebandanalyse met machine learning-technieken voor cognitieve en klinische toepassingen.

Machine learning en hybride fusiemodellen voor dementieclassificatie

Machine learning-modellen, met name ensemble-gebaseerde methoden zoals XGBoost, hebben veelbelovend gebleken bij het classificeren van EEG-afgeleide features15. Deze modellen behandelen de complexiteit en variabiliteit van EEG-signalen door niet-lineaire relaties tussen invoerkenmerken en uitvoerlabels te leren. Hoewel studie15 een geschikt model heeft voorgesteld, is de nauwkeurigheidsscore aangetast.

Craik et al.16 gaven een uitgebreide review van deep learning en traditionele machine learning-modellen voor EEG-analyse, waarbij het succes van gradient-boosting frameworks in gestructureerde data werd benadrukt. Abiri et al.17 pasten XG-Boost toe op EEG-gegevens voor hersen-computerinterfacetoepassingen, waarbij robuuste classificatieprestaties werden bereikt dankzij het vermogen om feature-redundantie en ruis te verwerken. Aghababaei et al.18 toonden het gebruik van ensemblemethoden, waaronder XG-Boost, aan in EEG-gebaseerde emotieherkenningstaken, en rapporteerden verbeteringen in nauwkeurigheid en generalisatie ten opzichte van traditionele benaderingen. Echter, uitdagingen zoals onevenwichtige datasets, ondervertegenwoordiging van bepaalde klassen en de interpreteerbaarheid van machine learning-modellen blijven bestaan, wat verder onderzoek naar modeloptimalisatie- en regulariseringstechnieken noodzakelijk maakt.

Zheng et al.19 gebruikten rusttoestand, ogen gesloten EEG (19 kanalen) om tijd-frequentie functionele connectiviteitsmetingen te berekenen en getrainde machine learning-classifiers om AD-, FTD- en gezonde controles te scheiden. Ze benadrukten echter de noodzaak van methoden die de signaalrepresentatie verbeteren en robuuste ensembleclassificatie bieden.

EEG-gebaseerde classificatie is uitgebreid toegepast in cognitieve neurowetenschappen en klinische domeinen. Hoewel eerdere studies een sterke basis bieden voor op machine learning gebaseerde EEG-analyse, blijven er nog enkele hiaten bestaan. Veel studies vertrouwen op handgemaakte kenmerken (bijv. RMS, PSD), die mogelijk niet alle relevante informatie vastleggen. Geautomatiseerde feature engineering en deep learning-methoden kunnen traditionele benaderingen aanvullen.

Onbalans in EEG-datasets, vooral in multi-class omgevingen, vertekent vaak classificatieresultaten. Strategieën zoals klasse-specifieke weging en data-augmentatie kunnen de prestaties van ondervertegenwoordigde klassen verbeteren. Er blijft echter behoefte aan efficiënte, interpreteerbare en generaliseerbare pijplijnen die feature-extractie en modelclassificatie integreren.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

De voorgestelde methode segmenteert EEG-signalen strategisch in het frequentiedomein om de spectrale resolutie te verbeteren. Vervolgens worden de vastgelegde EEG-signalen opgesplitst in 10 segmenten om de temporele resolutie en consistentie in feature-berekening te verbeteren. De voorgestelde methode implementeert een op RF, XGBoost en SVM gebaseerde classifier op afgeleide EEG-kenmerken, waarmee hij bijdraagt aan de ontwikkeling van robuuste, schaalbare methoden voor EEG-analyse. Het RF-model met bepaalde hyperparameterwijzigingen is het best presterende van de andere standaardmodellen gebleken. Daarom wordt een hybride, gefuseerde, gestapelde metalearner-model voorgesteld dat RF en XG-Boost combineert om de voorspellingsnauwkeurigheid verder te verbeteren.

De dataset die bij deze methode werd gebruikt, werd verzameld volgens institutionele ethische normen. De datasetproviders kregen toestemming van deelnemers voorafgaand aan de gegevensverzameling.

1. Datasetspecificatie

Om de robuustheid van het systeem te bewijzen, zijn twee datasets gebruikt. De eerste set gegevens is verzameld uit het EEG-datarepository20, bestaande uit 88 deelnemers in de rusttoestand, met gesloten ogen, waarvan 36 werden gediagnosticeerd met AD, 23 van hen FTD en 29 gezond. EEG-opnames werden in rusttoestand en ogen gesloten gemaakt met een 19-kanaals systeem na de internationale 10-20 montage. In de dataset die in Figuur 2 wordt getoond, werden alle signalen gesampled op 500 Hz en geleverd in BIDS-formaat met voorlopige voorbewerking door de dataset-bijdragers.

De tweede set gegevens wordt verzameld uit een externe openbare repository21 met 35 deelnemers in rusttoestand. Van de 13 deelnemers zijn gediagnosticeerd met de ziekte van Alzheimer (AD), 7 zijn patiënten met milde cognitieve beperking (MCI) en 15 zijn gezonde ouderen. Alleen de resting-state baseline segmenten van de tweede dataset werden gebruikt om consistentie te behouden met de eerste dataset20. De tweede set data21 vereiste een volledige pre-processing pipeline, zoals vermeld in Figuur 3.

2. Pre-processing

Bestaande studies zijn sterk afhankelijk van complexe pre-processing pipelines, handmatige artefactcorrectiestappen of ICA-ASR om spierbewegingen te verwijderen, wat de reproduceerbaarheid in routinematige klinische workflows beperkt. Om deze beperkingen aan te pakken, richt de voorgestelde pijplijn zich op een gestroomlijnde, uitsluitend EEG-benadering die de noodzaak van computationeel intensieve procedures voor het verwijderen van artefacten elimineert en in plaats daarvan de nadruk legt op gecontroleerde filtering, epochsegmentatie en frequentie-specifieke feature-computation.

  1. EEG-bestandssortering
    Voor de preprocessing werden alle EEG-bestanden automatisch gesorteerd om een consistentie van de volgorde per deelnemer en sessie te behouden. Dit zorgde ervoor dat feature-extractie, epoching en label-uitlijning uniform waren over alle onderwerpen en voorkwam fouten in bestandsafstemming. Deze stap wordt weergegeven in Figuur 3 als "Sort EEG-bestand." Alle voorbewerking gebeurt met behulp van een standaard open-source EEG-verwerkingstoolkit.
  2. Bandpassfiltering en herreferentie
    Een Butterworth-banddoorlaatfilter werd toegepast in het bereik van 0,5-40 Hz om relevante EEG-componenten te behouden en drift en hoogfrequente ruis te dempen. Signalen werden opnieuw verwezen naar het gemiddelde van alle EEG-kanalen, waardoor ruimtelijke bias werd geminimaliseerd en de signaal-ruisverhouding werd verbeterd.
  3. Nyquist-frequentieverschuiving
    Om de resolutie van laagfrequente componenten te verbeteren, werd een Nyquist-shift-verbetering toegepast door de bemonsteringsfrequentie te halveren van 500Hz naar 250Hz. Na bovenstaande stap wordt het door de Nyquist-modificatie teruggebracht tot 125Hz. Omdat de Delta-, Theta-, Alpha-, Beta- en Gamma-frequenties langzame golven zijn variërend van 0,5-40 Hz, verschuift dit de effectieve Nyquist-limiet en verbetert het de helderheid van laagfrequente oscillaties die relevant zijn voor dementie. Deze aanpassing hielp om langzame hersengolven beter vast te leggen. Vergelijking (1) toont het medicatieresultaat van Nyquist duidelijk.
    F-sampling= 500 Hz
    Nbemonstering= Fbemonstering/2
    Nnyquist= Nbemonstering/2 (1)
    Het is belangrijk op te merken dat Nnyquist niet de operationele bemonsteringsfrequentie is, maar simpelweg de maximaal representatieve frequentie , en daarom de epochsegmentatie niet beïnvloedt. Het is slechts een theoretische limiet die wordt gebruikt om te garanderen dat de frequentie van belang (0,5-40 Hz) volledig behouden blijft.
  4. Epoch-bemonsteringsfrequentie naar 10 segmenten
    De EEG-opnames zijn verdeeld in 10 segmenten van gelijke lengte. Deze stap is essentieel om de niet-stationaire activiteit van het EEG-signaal in de loop van de tijd vast te leggen. De korte, uniforme segmenten maken stabiele berekening van bandspecifieke kenmerken mogelijk en verrijken trainingsvoorbeelden voor machine-learning classificatie. Daardoor worden de 250 monsters per seconde 250 × 10 = 2500 monsters. Tot slot worden per onderwerp 10 epochs van gelijke lengte genomen voor epochgewijze analysestrategieën. Deze analysestrategie genereerde 880 steekproeven voor 88 daadwerkelijke deelnemers.

    De noodzaak voor epoch-gewijze analyse is om veranderingen in hersensignalen minutieus te monitoren, zodat het model voldoende temporele data krijgt om te leren en overfitting te voorkomen. Het belang van deze aanpak is het waarborgen van fijnmazigere EEG-epochgegevens, waardoor analyses mogelijk worden die een hogere temporele resolutie vereisen zonder de totale featurewaarden in gevaar te brengen. Door het genereren van 10-seconden epochs ondersteunt de methodologie verbeterde modellering van EEG-dynamiek en sluit deze aan bij standaard epoche-duren in EEG-analyseprotocollen.

3. Feature-extractie

De voorbewerkte EEG-signalen worden doorgegeven aan feature-extractiemethoden. EEG-signalen worden banddoorlaatgefilterd in 5 standaard frequentiebanden: Delta (0,5-4 Hz), Theta (4-8 Hz), Alpha (8-13 Hz), Beta (13-25 Hz) en Gamma (25-40 Hz).

Voor elk gefilterd signaal werd de Root Mean Square (RMS)-waarde berekend over alle EEG-kanalen. De wiskundige formulering van RMS wordt gegeven in Vergelijking (1):

RMS = figure-protocol-1    (1)

Hier is xi de EEG-signaalamplitude bij het i-de tijdmonster. N is het totale aantal samples in het signaalsegment.

RMS werd gekozen als primaire kenmerk vanwege het vermogen om de energie van oscillerende activiteit in elke frequentieband te kwantificeren. De ziekte van Alzheimer wordt vaak geassocieerd met verhoogde delta- en theta-activiteit en verminderde alfa- en bèta-activiteit. Fronto-temporale dementie (FTD) kan duidelijke patronen vertonen over deze banden20,21. Omdat PSD wiskundig overbodig is ten opzichte van RMS, wordt het niet als een functie beschouwd. Om een compacte dataset te behouden, worden de overige kenmerken, zoals Hjorth en Entropie, uitgesloten.

4. Hybride fusie

Geëxtraheerde tijdsdomein-RMS-functies werden gecombineerd met frequentiedomeinkenmerken ontvangen uit banddoorlaatfiltering door het een hybride ruimte voor modelinvoer te maken. De details van de compilatie worden weergegeven in Figuur 3. De uiteindelijke genormaliseerde dataset is georganiseerd in een tabelformaat met rijen die deelnemers vertegenwoordigen en kolommen die tijd-frequentiebandkenmerken en demografische kenmerken zoals leeftijd, geslacht en groep weergeven. De pijplijn die in Figuur 2 wordt getoond, haalt efficiënt EEG-kenmerken uit die relevant zijn voor Alzheimeronderzoek. De geëxtraheerde kenmerken bieden inzicht in neurale activiteit binnen sleutelfrequentiebanden en kunnen worden gebruikt voor machine learning en statistische analyse.

5. Selectie van functies

Om de prestaties van het model te verbeteren en de dimensie van kenmerken te verminderen, werd een tweerichtingsmethode op basis van Analysis of Variance (ANOVA) toegepast. De ANOVA-gebaseerde selectie werd toegepast met Groep en leeftijd als onafhankelijke factoren, en RMS-frequentiebanden als afhankelijke kenmerken. Deze analyse evalueerde de effecten van groep-, leeftijds- en leeftijdsgroepinteractie op elk kenmerk. Kenmerken met p-waarden < 0,05 voor ten minste één factor werden geselecteerd voor verdere classificatie. De gedetailleerde resultaten op basis van ANOVA worden weergegeven in het resultatengedeelte. Deze kenmerken zijn de meest informatieve variabelen voor classificatie, wat hielp de nauwkeurigheid en generalisatie van het uiteindelijke voorspellende model te verbeteren. Als gevolg van de ANOVA-test werden alleen de meest informatieve functies geselecteerd voor modelcreatie. En de extra niet-numerieke attributen, Gender en participant_id, werden uitgesloten van de analyse. De doelvariabele Groep werd label-gecodeerd voor classificatie.

6. Modelbeschrijving

Om de ziekte in 3 klassen te classificeren, namelijk Alzheimer, Control en frontale dementie, werden drie begeleide machine learning-modellen gebouwd, zoals XG-Boost, Random Forest, Support Vector Machine SVM en een gestapeld model. Alle genoemde modellen gebruikten 70% van de trainingsdataset en 30% van de testdataset. Elk model werd geselecteerd vanwege zijn bewezen prestaties in de analyse van gezondheidszorggegevens en zijn vermogen om niet-lineaire en hoog-dimensionale featureruimtes te verwerken. Evaluatie van het model werd uitgevoerd op de validatiedataset om de generaliseerbaarheid van het model te beoordelen.

De modelprestaties werden geëvalueerd met behulp van een verwarringsmatrix, bestaande uit true positive (TP), false positive (FP), true negative (TN) en false negative (FN). Prestatie-indicatoren omvatten nauwkeurigheid en een classificatierapport met precisie, terugroeping en F1-scores voor elke klasse. De volgende vergelijking illustreert prestatie-metrics.

figure-protocol-2    (2)

figure-protocol-3    (3)

figure-protocol-4    (4)

figure-protocol-5(5)

1. XG-Boost classifier

Deze methode implementeerde een multi-klasse classificatiemodel met het XGBoost-algoritme om EEG-afgeleide cognitieve toestanden te voorspellen uit geëxtraheerde kenmerken, zoals weergegeven in output 1 van Figuur 3. Output 1 bevat RMS-functies en de MMSE-score. Bij het bouwen van het XGBoost-model wordt de MMSE-score opgenomen om het niet-lineaire gedrag van de RMS-functies te testen. Het wordt gebruikt als benchmark en basis voor de systeemontwikkeling. MMSE werd in latere fasen uitgesloten om het doel van een volledig geautomatiseerd, therapeutisch onafhankelijk systeem te bereiken.

XG-Boost is een gradient boosting-framework dat geoptimaliseerd is voor efficiëntie en nauwkeurigheid, waardoor het zeer geschikt is voor het verwerken van gestructureerde data in classificatietaken. De weinige hyperparameters worden afgestemd op de EEG-dataset met technieken zoals crossvalidatie en grid search. De hieronder gedefinieerde sleutelparameterwaarden zijn gekozen om overfitting via regularisatie te beheersen en om de complexiteit van de EEG-kenmerken vast te leggen zonder te complex te zijn.

De belangrijkste parameters van het model zijn: (1) Maximale boomdiepte = 8, wat de diepte van beslissingsbomen beperkt om overfitting te verminderen en generalisatie te verbeteren. Omdat een ondiepe boom onnodige informatie zou missen, omdat een diepere boom kan overpassen. (2) L2-regularisatie (λ = 10) voegt een straf toe voor grote coëfficiënten om overfitting te minimaliseren door de modelcomplexiteit te beheersen. (2) L1-regularisatie (α = 5) wordt geïntroduceerd om extra sparsiteit in het model te geven en zo de interpreteerbaarheid en robuustheid te verbeteren. Het aantal Schatters (n_estimators=8) beperkte het aantal boosting-iteraties om de rekenefficiëntie te behouden terwijl de prestaties in balans worden gebracht.

2. Willekeurige Bosclassificator

Random Forest is een ensembleclassifier die meerdere beslissingsbomen bouwt op willekeurige deelverzamelingen van data en features, waarbij hun output wordt geaggregeerd voor de uiteindelijke voorspelling. Het biedt robuustheid tegen ruis, verwerkt niet-lineaire data goed en vermindert overfitting door het gemiddelde van diverse boomvoorspellingen te nemen. In dit werk werd het Random Forest-model geconfigureerd met sleutelparameters door gebruik te maken van de trial-and-error-methode. Dergelijke parameters worden hieronder uitgelegd:
1) n_estimators=100
Deze wordt gekozen om het aantal beslissingsbomen in het bos te beperken. Hoe meer bomen, hoe beter de generalisatie en hoe stabieler de voorspellingen.
2) max_depth=10
Het geeft de maximale diepte van elke boom aan. Als de boom een lage diepte heeft, is er een kans op onderfitting. Hoewel hoge diepte details kan vastleggen en de trainingsgegevens kan onthouden, kan het overfit veroorzaken. Daarom is het kiezen van 10 een ideale positie, vooral bij ruisachtige of complexe signalen zoals EEG.
3) random_state=40
Het fixt het willekeurige getallengeneratiezaad dat wordt gebruikt voor Bootstrap-sampling en Tree-constructie. Dit zorgt voor reproduceerbaarheid
4) n_jobs=-1
Door de waarde van n_jobs op -1 te zetten, maakt het model efficiënt gebruik van alle CPU-kernen.

7. Support Vector Machine (SVM)

Support Vector Machine is een marge-gebaseerde classifier die bekend staat om zijn lineaire prestaties in binaire en multi-klasse classificatie22. Dit model gebruikte een radiale basisfunctie-kernel vanwege het vermogen om niet-lineaire EEG-signalen vast te leggen. Het model vertoonde echter suboptimale prestaties, waarschijnlijk door het gebrek aan feature-scaling en de beperkte datasetgrootte. Hoewel SVM theoretisch krachtig is, kan de gevoeligheid voor hyperparameterafstemming en datadistributie de lagere nauwkeurigheid verklaren die wordt waargenomen in vergelijking met boomgebaseerde modellen.

8. Voorgesteld HY-fusiemodel

Hoewel het Random Forest-model een hoge nauwkeurigheid behaalde, werd om generaliseerbaarheid en schaalbaarheid te waarborgen een gestapeld model gebouwd met Random Forest en XG-Boost. De output wordt als input ingevoerd in een logistisch regressiemodel. En logistische regressie fungeert als een metalearner. Het architectuurdiagram van het model is weergegeven in Figuur 4.

Naast deeerste set invoer 20 nam het gestapelde model ook invoer van de tweede set data23. De dataset van Mendely21 is vooraf verwerkt tot een modelbegrijpelijke vorm door RMS te extraheren en te epocheren tot 10 s. De resultaten die elk model verkregen, worden weergegeven in de resultatensectie.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Om de kracht van de epochmethode te rechtvaardigen, wordt de prestatie van het RF-model vergeleken zonder de dataset te epochen. In de niet-epoched toestand werden kenmerken uit de gehele continue opname gehaald en aan het RF-model gegeven. Het niet-epoching-signaal leverde 53% nauwkeurigheid op. Dit toont aan dat epoching een stabielere informatieve methode biedt voor modelcreatie. Daarom worden ANOVA-gebaseerde kenmerken met p < 0,05 als significant beschouwd. Zo vertoonde alpha_rms ee...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

In deze voorgestelde studie is de motivatie om de Hy-Fusion gestapelde architectuur te gebruiken het combineren van de complementaire krachten van boomgebaseerde leraren, zoals RF, en het verminderen van voorspellingsvariantie via een logistische-regressie meta-learner. De stapelstrategie wordt vaak toegepast wanneer basisleerlingen verschillende inductieve biases en foutpatronen hebben. De meta-leerling leert systematische fouten van basisclassifiers te corrigeren en meer gekalibreerde ...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs bevestigen dat er geen belangenconflict is om te verklaren voor deze publicatie.

Dankbetuigingen

De auteurs willen de redacteur en de anonieme beoordelaars bedanken voor hun opmerkingen, die hebben bijgedragen aan de verbetering van de kwaliteit. Dit onderzoek heeft geen specifieke subsidie ontvangen van financieringsinstanties in de publieke, commerciële of non-profitsector.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Bandpass filtering toolsMNE-PythonIngebouwde filtersGebruikt voor pre-verwerking
Computerwerkstation—Windows/LinuxAnalyseberekening
EEG-acquisitiesysteemVerstrekt door dataset-makers—Niet gebruikt door auteurs (dataset verstrekt)
Epoching-functiesMNE-PythonIngebouwde functiesGebruikt voor segmentatie
GitHub of Google Drive——Opslag voor code/gegevens
Google ColabGoogleOnlineCloud computing-omgeving
MATLAB (gebruikt voor signaalcontroles)MathWorksR202xOptioneel
Mendeley EEG-datasetMendeley DataExterne validatiedataset
MNE-Pythonhttps://mne.toolsv1.xEEG-pre-verwerking/analyse
NumPyNumPy-ontwikkelaarsLaatsteArrayberekening
OpenNeuro EEG-datasetOpenNeurods004504 (v1.0.8)Primaire dataset voor AD/FTD/HC EEG
PythonPython Foundationv3.10+Programmeomgeving
scikit-learnsklearn-ontwikkelaarsv1.xMachine learning-modellen
SciPySciPy-ontwikkelaarsLaatsteSignaalverwerking

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Erratum


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

Trefwoorden

EEG classificatiegeautomatiseerd machine learningsignaalverwerkingkenmersextractiehybride fusiemodelNyquist frequentieRandom Foresttwee weg ANOVA

Gerelateerde artikelen