Artykuł badawczy

Unikalny EEG-Hyfusion W pełni zautomatyzowany składany model do klasyfikacji choroby Alzheimera i demencji czołowo-skroniowej

DOI:

10.3791/69762

⸱

13 lutego 2026

 , 
1Computer Science and Engineering, Presidency University, Bangalore

W tym artykule

Informacja o sprostowaniu

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

Podsumowanie

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

Ten artykuł przedstawia zautomatyzowane przetwarzanie cech, które łączy poprawkę Nyquist-shift z modelami zespołowymi uczenia maszynowego, aby odróżnić chorobę Alzheimera, demencję frontotemporalną i zdrowe klasy bez konieczności interwencji ludzkiej.

Streszczenie

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

Choroba Alzheimera (AD) i fronto-skroniowa otępienie (FTD) to powszechne zaburzenia neurodegeneracyjne, które upośledzają pamięć, funkcje poznawcze i przetwarzanie wykonawcze. Celem niniejszego badania jest opracowanie w pełni zautomatyzowanego potoku uczenia maszynowego do przewidywania choroby Alzheimera na wczesnym etapie bez konieczności jakiejkolwiek interwencji klinicznej. Ta metodologia proponuje ilościową analizę subtelnych przemian aktywności neuronow. Celem jest opracowanie niezawodnego, w pełni zautomatyzowanego systemu, który wykorzystuje dane EEG do klasyfikacji pacjentów w grupy AD, FTD i zdrowa kontrolna, eliminując konieczność interwencji ludzkiej lub oceny klinicznej. Główną innowacją systemu jest jego podejście do przetwarzania sygnałów i zautomatyzowany potok cech. W szczególności, strategiczna modyfikacja częstotliwości Nyquista jest wykorzystywana do poprawy rozdzielczości sygnału EEG, w połączeniu z hybrydową warstwą fuzji, która integruje wielodomienne cechy EEG i dane demograficzne. Następnie, dwustronna selekcja cech oparta na ANOVA dokonuje rafinacji tego hybrydowego zestawu. Ta poprawa umożliwia bardziej efektywne wyodrębnianie cech, co przyczynia się do wyższej dokładności klasyfikacji. W zaproponowanej metodzie częstotliwości są dzielone na epoki, aby wzbogacić zestaw danych treningowych. Dzięki temu standardowy model losowego lasu osiąga 99,72% dokładność treningu. Aby zapewnić wytrzymałość i ogólność metody, zaproponowano hybrydowy model fuzji.

Wprowadzenie

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

Najczęstszymi objawami choroby Alzheimera są utrata pamięci, upośledzenie funkcji poznawczych, bezsenność, dezorientacja, zmiany osobowości itp. Dlatego wczesne przewidywanie może zapewnić pacjentom, że nie ulegną degradacji do najgorszego poziomu, na którym potrzebują pomocy 24/7. Istnieje wiele sposobów diagnozowania tej choroby, takich jak MRI1, TK, PET2 i EEG3. W szczególności, sygnały EEG w połączeniu z MMSE udowodniły się jako nieinwazyjna metoda przewidywania choroby Alzheimera. Częstotliwości sygnałów EEG są różne, takie jak alfa, beta, teta, gamma i delta. Fala alfa jest wykrywana, gdy osoba jest w stanie relaksu3. Częstotliwość fal alfa waha się od 8 do 12 Hz4. Fale beta są aktywne w stanie czujności mózgu i oscylują od 13 do 30 Hz4. Fale teta i delta są aktywne odpowiednio podczas snu i głębokiego snu. Ich zakresy częstotliwości to teta (4-7 Hz) i delta (mniej niż 3,5 Hz) [4]. Tradycyjne metody diagnostyczne opierają się na badaniach obrazowych i ocenach klinicznych, takich jak MMSE, które są często subiektywne i kosztowne, podczas gdy sygnały EEG rejestrują aktywność mózgu w czasie rzeczywistym i oferują wydajne alternatywy.

To badanie proponuje w pełni zautomatyzowany system diagnostyczny, który przyjmuje jako wejście tylko sygnały EEG, omijając tym samym potrzebę oceny klinicznej. Można zastosować różne metody do wyodrębnienia tych fal z mózgu. Filtr przepustowy, który uwzględnia częstotliwość Nyquista, jest metodą wyodrębniania częstotliwości EEG. Częstotliwość Nyquista obniża częstotliwość próbkowania o połowę, aby uzyskać lepszą czytelność w przetworzonych sygnałach. Dlatego test EEG w połączeniu z Mini-Mental State Examination (MMSE) jest metodą stosowaną przez neurologów do oceny różnych stadiów choroby Alzheimera (AD). Europejska Federacja Nauk Neurologicznych5 ustanowiła wytyczne dotyczące diagnozowania różnych klas tej choroby.

Ten artykuł szeroko klasyfikuje chorobę Alzheimera (AD), otępienie czołowo-skroniowe (FTD) oraz zdrowe osoby (kategoria kontrolna). Otępienie czołowo-skroniowe to stan ludzkiego mózgu, w którym tylko przednia część i skorupa skroniowa mózgu są dotknięte6,7. Rysunek 1 przedstawia regiony mózgu, które są zazwyczaj dotknięte w otępieniu czołowo-skroniowym (FTD), w tym płaty czołowe i skroniowe. W tym badaniu cechy czasowe i częstotliwościowe z sygnału EEG są łączone z cechami demograficznymi. Aby zapewnić obiektywizm i autonomię ram uczenia maszynowego, wynik MMSE został celowo wykluczony z zestawu cech. Chociaż MMSE jest szeroko stosowanym klinicznym wskaźnikiem oceny funkcji poznawczych, jest on zasadniczo wpływany przez ocenę klinicysty i wprowadza dominującą tendencję w zadaniach klasyfikacji. Pomijając MMSE, zaproponowana metoda ma na celu opracowanie samodzielnego, opartego na danych modelu diagnostycznego, zdolnego do funkcjonowania niezależnie od subiektywnych wejść klinicznych, wspierając w ten sposób przyszłe rozwijanie w pełni zautomatyzowanych narzędzi przesiewowych opartych na sztucznej inteligencji. Ostateczne cechy, z wyłączeniem wyniku MMSE, są oznakowane i przekazywane do zaproponowanego modelu EEG-hyfusion. Szczegóły są opisane w sekcji Protokół.

Przegląd literatury

Elektroencefalografia (EEG) oferuje nieinwazyjne, niedroga narzędzie do wczesnej diagnozy stanów neurologicznych. Ekstrakcja cech EEG i Analiza pasm częstotliwościowych wyłoniła się jako kluczowa modalność w badaniach neuronaukowych i klinicznych, oferująca wgląd w aktywność mózgu w zakresie różnych stanów poznawczych i patologicznych. Wykorzystanie uczenia maszynowego do analizy danych EEG zdobyło popularność w ostatnich latach, z zastosowaniami od monitorowania stanu poznawczego po wczesne rozpoznawanie zaburzeń neurologicznych, takich jak choroba Alzheimera. Ten przegląd literatury podkreśla kluczowe wkłady i luki w istniejących badaniach dotyczących ekstrakcji cech EEG, klasyfikacji i opracowywania modeli.

Relevancja poznawcza sygnałów EEG

Chociaż Subha i in.8 podkreślili cechy czasowo-częstotliwościowe, RMS, które efektywnie uchwycą niestacjonarny charakter sygnałów EEG, ich prace nie wprowadziły żadnego modelu budowania. Dlatego w niniejszym badaniu zaproponowano modele uczenia maszynowego, aby określić, jak dokładnie można rozpoznać chorobę.

Barry i in.9 pokazali związek między pasmami częstotliwościowymi EEG a stanami poznawczymi, łącząc określone pasma częstotliwości (np. fale alfa) z relaksacją i uwagą. Buzsáki10 zbadał fizjologiczne znaczenie oscyliacji nerwowych i ich rolę w funkcjach mózgu, podkreślając użyteczność analizy częstotliwościowej w bad

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Zaproponowana metoda segmentuje sygnały EEG strategicznie w domenie częstotliwości w celu poprawy rozdzielczości spektralnej. Następnie uchwycone sygnały EEG są podzielone na 10 segmentów, aby poprawić rozdzielczość czasową i spójność w obliczaniu cech. Zaproponowana metoda implementuje klasyfikator oparty na RF, XGBoost i SVM na pochodnych cechach EEG, przyczyniając się tym samym do rozwoju niezawodnych, skalowalnych metod analizy EEG. Model RF z określonymi zmianami hiperparametrów okazał się najlepszy wśród innych standardowych modeli. Dlatego zaproponowano hybrydowy, połączony, zgłoszony model metalearner łączący RF i XG-Boost w celu dalszego poprawy dokładności przewidywania.

Zestaw danych użyty w tej metodzie został zebrany zgodnie ze standardami etycznymi instytucji. Dostawcy zestawów danych uzyskali zgodę uczestników przed pozyskaniem danych.

1. Specyfikacja zestawu danych

Aby udowodnić niezawodność systemu, użyto dwa zestawy danych. Pierwszy zestaw danych został zebrany z repozytorium danych EEG20, obejmujący 88 uczestników w stanie spoczynku z zamkniętymi oczami, z których 36 zostało zdiagnozowanych na chorobę Alzheimera, 23 na demencję frontotemporalną, a 29 było zdrowych. Nagrania EEG były wykonywane w stanie spoczynku z zamkniętymi oczami za pomocą systemu 19-kanałowego zgodnie z międzynarodowym montażem 10-20. W zestawie danych przedstawionym na Rysunku 2 wszystkie sygnały były próbkowane z częstotliwością 500 Hz i dostarczane w formacie BIDS z wstępnym przetwarzaniem wstępnym przez współtwórców zestawu danych.

Drugi zestaw danych został zebrany z zewnętrznego publicznego repozytorium21, obejmujący 35 uczestników w stanie spoczynku. Z tego 13 uczestników zdiagnozowano chorobę Alzheimera (AD), 7 uczestników miało łagodne upośledzenie poznawcze (MCI), a 15 było zdrowymi osobami starszymi. Do utrzymania spójności z pierwszym zestawem danych20 użyto tylko segmentów podstawowych w stanie spoczynku drugiego zestawu danych21. Drugi zestaw danych21 wymagał pełnego potoku przetwarzania wstępnego, jak wspomniano na Rysunku 3.

2. Przetwarzanie wstępne

Istniejące badania opierają się na złożonych potokach przetwarzania wstępnego, manualnych krokach korekcji artefaktów lub ICA-ASR w celu usunięcia ruchów mięśni, co ogranicza powtarzalność w rutynowych procesach klinicznych. Aby zapobiec tym ograniczeniom, zaproponowano potok koncentrujący się na uproszczonym podejściu tylko do EEG, które eliminuje potrzebę obliczeniowo intensywnych procedur usuwania artefaktów i zamiast tego podkreśla kontrolowane filtrowanie, segmentację epoch i obliczanie cech specyficznych dla częstotliwości.

  1. Sortowanie plików EEG
    Przed przetwarzaniem wstępnym wszystkie pliki EEG były automatycznie sortowane, aby zachować spójność porządku uczestników i sesji. Dzięki temu wyodrębnianie cech, segmentacja epoch i dopasowanie etykiet były jednolite dla wszystkich osób i zapobiegano błędom związanym z niedopasowaniom plików. Ten krok jest przedstawiony na Rysunku 3 jako „Sortowanie plików EEG”. Przetwarzanie wstępne jest wykonywane za pomocą standardowego, otwartoźródłowego narzędzia do przetwarzania EEG.
  2. Filtracja pasma przenoszenia i przereferencjonowanie
    Zastosowano Butterworth bandpass filter w zakresie 0,5–40 Hz, aby zachować istotne komponenty EEG, jednocześnie tłumiąc dryf i szum wysokich częstotliwości. Sygnały zostały przereferencjowane do średniej wszystkich kanałów EEG, minimalizując w ten sposób zniekształcenie przestrzenne i poprawiając stosunek sygnału do szumu.
  3. Zmiana częstotliwości Nyquista
    Aby poprawić rozdzielczość składowych o niskiej częstotliwości, zastosowano poprawę Nyquista przez przeniesienie częstotliwości próbkowania z 500 Hz na 250 Hz. Po powyższym kroku modyfikacja Nyquista obniżyła ją do 125 Hz. Ponieważ częstotliwości Delta, Theta, Alpha, Beta i Gamma są falami powolnymi o częstotliwości 0,5–40 Hz, przesunięcie to efektywnej granicy Nyquista poprawia jasność niskoczęstotliwościowych oscylacji, istotnych dla demency. Modyfikacja ta pomógła w lepszym uchwyceniu powolnych fal mózgowych. Równanie (1) jasno pokazuje wynik modyfikacji Nyquista.
    Fsampling= 500 Hz
    Nsampling= Fsampling/2
    Nnyquist= Nsampling/2 (1)
    Ważne jest, aby zauważyć, że Nnyquist nie jest aktualną częstotliwością próbkowania, a jedynie maksymalną reprezentowalną częstotliwością, dlatego nie wpływa na segmentację epoch. Jest to jedynie teoretyczny limit, który gwarantuje, że zawartość częstotliwości o interesującej częstotliwości (0,5–40 Hz) jest w pełni zachowana.
  4. Segmentacja epoch na częstotliwość 10 segmentów
    Nagrania EEG są dzielone na 10 równej długości segmentów

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Aby uzasadnić siłę metody epoching, wydajność modelu RF jest porównywana bez epochingu zestawu danych. W warunkach bez epochingu cechy zostały wyodrębnione z całej ciągłej rejestracji i przekazane do modelu RF. Sygnał bez epochingu dał 53% dokładności. Pokazuje to, że epoching zapewnia bardziej stabilną i pouczającą metodę tworzenia modeli. Dlatego cechy oparte na ANOVA z wartością p < 0,05 są uważane za istotne. Na przykład alpha_rms wykazał istotny efekt grupy (p = 9,007147 × 10−37), podczas gdy efekty wieku i grupy wi...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

W tej proponowanej studii motywacją dla zastosowania architektury Hy-Fusion jest połączenie uzupełniających się zalet learnerów opartych na drzewach, takich jak RF, oraz zmniejszenie wariancji predykcji poprzez meta-learner regresji logistycznej. Strategia stackingu jest często stosowana, gdy bazowe learnery mają różne uprzedzenia indukcyjne i wzorce błędów. Meta-learner uczy się korygować systematyczne błędy bazowych klasyfikatorów i produkować bardziej skalibrowane wyjścia zespołowe.

Proces ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy potwierdzają, że nie ma konfliktu interesów do zadeklarowania w odniesieniu do tej publikacji.

Podziękowania

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

Autorzy chcą podziękować redaktorowi i anonimowym recenzentom za ich uwagi, które pomogły poprawić jakość. Niniejsze badania nie otrzymały żadnego konkretnego grantu od agencji finansujących w sektorze publicznym, komercyjnym lub non-profit.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Bandpass filtering toolsMNE-PythonWbudowane filtryUżywane do przetwarzania wstępnego
Komputer stacjonarny—Windows/LinuxObliczenia analityczne
System akwizycji EEGDostarczony przez twórców zbioru danych—Nie używany przez autorów (zestaw danych dostarczony)
Funkcje epochingMNE-PythonWbudowane funkcjeUżywane do segmentacji
GitHub lub Google Drive——Przechowywanie kodu/danych
Google ColabGoogleOnlineŚrodowisko obliczeniowe w chmurze
MATLAB (używany do sprawdzania sygnałów)MathWorksR202xOpcjonalnie
Zestaw danych EEG MendeleyMendeley DataZestaw danych do weryfikacji zewnętrznej
MNE-Pythonhttps://mne.toolsv1.xPrzetwarzanie/analiza EEG
NumPyNumPy developersNajnowszaObliczenia tablicowe
Zestaw danych EEG OpenNeuroOpenNeurods004504 (v1.0.8)Główny zestaw danych EEG dotyczących AD/FTD/HC
PythonPython Foundationv3.10+Środowisko programistyczne
scikit-learnsklearn developersv1.xModele uczenia maszynowego
SciPySciPy developersNajnowszaPrzetwarzanie sygnałów

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Sprostowanie

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

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

Tagi

Klasyfikacja EEGzautomatyzowane uczenie maszynoweprzetwarzanie sygna wekstrakcja cechhybrydowy model fuzjicz stotliwo Nyquistalasy losowedwuczynnikowa analiza wariancji ANOVA

Powiązane artykuły