Исследовательская статья

Слияние многодоменных биомаркеров электроэнцефалографии для классификации деменции на основе машинного обучения

0 просмотров

⸱

DOI:

10.3791/72549

⸱

25 сентября 2026 г.

 ,  ,  ,  ,  , 
1Computer Science and Engineering (Data Science), Dayananda Sagar University, 2Computer Science and Engineering, New Horizon College of Engineering, 3School of Computer Science and Engineering (SCOPE), VIT AP University, 4Department of Computer Science and Engineering, Saveetha School of Engineering, Saveetha Institute of Medical & Technical Sciences (SIMATS), Saveetha University, 5Computer Science and Engineering (Cybersecurity), Dayananda Sagar University, 6School of Computer Science and Engineering, Presidency University, 7Electronics and Telecommunications Engineering, Ahmadu Bello University

В этой статье

Краткое содержание

В данном исследовании изучаются биомаркеры электроэнцефалографии для дифференциации болезни Альцгеймера, лобно-височной деменции и здорового контроля. Модели случайного леса (Random Forest), использующие среднеквадратичное значение, спектральную плотность мощности и признаки энтропии, были интерпретированы с помощью объяснимого искусственного интеллекта и анализа величины эффекта. Удаление малозначимых признаков энтропии позволило повысить эффективность классификации, обеспечив точность тестирования 94%.

Аннотация

Электроэнцефалография (ЭЭГ) изучается как неинвазивный подход для характеристики активности мозга при нейродегенеративных состояниях. В данном исследовании оценивалось, могут ли многодоменные биомаркеры ЭЭГ дифференцировать болезнь Альцгеймера (БА), лобно-височную деменцию (ЛВД) и здоровый контроль (ЗК). Общедоступный набор данных содержал записи ЭЭГ в состоянии покоя с закрытыми глазами от 88 участников, включая 36 человек с БА, 23 с ЛВД и 29 человек из группы здорового контроля. Для классификации методами машинного обучения были извлечены многодоменные биомаркеры ЭЭГ и демографические признаки. Признаки, полученные на основе ЭЭГ, включали среднеквадратичное значение (RMS), спектральную плотность мощности (PSD) и показатели энтропии. Классификатор Random Forest был обучен с использованием комбинированного набора признаков и интерпретирован с помощью объяснимого искусственного интеллекта. Для оценки вклада признаков были проведены анализ стабильности признаков и анализ величины эффекта d Коэна, после чего последовал абляционный анализ. Признаки на основе энтропии продемонстрировали наименьший вклад в классификацию. Полная многодоменная модель достигла точности 96% при обучении и 92% при тестировании. После удаления признаков энтропии точность тестирования увеличилась до 94%. Эти результаты описывают эффективность классификации выбранных многодоменных признаков ЭЭГ и демографических данных в рамках модели Random Forest.

Введение

Болезнь Альцгеймера (БА) представляет собой прогрессирующее неврологическое заболевание, сопровождающееся ухудшением когнитивных и двигательных функций. Распространенность этого заболевания существенно возрастает с возрастом, и деменция является основной причиной заболеваемости и смертности среди пожилых людей1,2,3,4,5. Поскольку диагностика и классификация заболевания остаются сложными задачами, анализ сигналов мозга исследуется как способ характеристики нейрофизиологических изменений, связанных с деменцией.

Электроэнцефалография (ЭЭГ) представляет собой неинвазивный метод регистрации электрической активности мозга и изучалась при болезни Альцгеймера и других неврологических расстройствах6,7,8,9,10,11. Сигналы ЭЭГ отражают электрические потенциалы, генерируемые нейронной активностью, и регистрируются неинвазивно в нескольких точках на поверхности скальпа12,13,14. Активность мозга обычно характеризуют с помощью дельта-, тета-, альфа-, бета- и гамма-диапазонов частот15. Болезнь Альцгеймера связывают с замедлением ЭЭГ, снижением сложности сигнала и нарушением синхронизации16. Спектральный анализ показал повышение дельта- и тета-активности наряду со снижением альфа- и бета-активности у лиц с БА по сравнению со здоровым контролем17,18,19. В предыдущих исследованиях по классификации ЭЭГ сообщалось о высокой эффективности дифференциации БА от здорового контроля (ЗК) и лобно-височной деменции (ЛВД) от ЗК. Напротив, дифференциация между БА и ЛВД в целом оказывалась более сложной задачей10,11.

Методы машинного обучения применялись для выявления паттернов в сигналах ЭЭГ, связанных с неврологическими заболеваниями20,21. Таким образом, извлечение признаков является важным компонентом классификации на основе ЭЭГ. В предыдущих исследованиях изучались спектральные, временные признаки, признаки сложности и функциональной связности в сочетании с моделями машинного обучения3,15,22,23. Спектральные признаки особенно значимы, поскольку они количественно определяют частотно-зависимые изменения активности мозга, включая снижение альфа-активности и повышение тета-активности, отмечаемые при болезни Альцгеймера23,24,25,26.

В нескольких исследованиях на основе ЭЭГ оценивались различные комбинации признаков, классификаторов и стратегий валидации. Анализ связности использовался для дифференциации БА, МПД и ЗК, при этом сообщаемая эффективность классификации варьировалась в зависимости от проводимого сравнения и процедуры отбора признаков27. Также оценивались признаки на основе преобразования Фурье для различения БА, умеренных когнитивных нарушений (УКН) и здорового контроля, хотя ограничениями стали недостаточная предобработка и возможный переобучающий эффект, связанный со стратегией валидации28. Меры нелинейной сложности ЭЭГ продемонстрировали дискриминационный потенциал для классификации БА, при этом некоторые из них достигли высокой точности, чувствительности и специфичности, хотя их применимость к УКН и дифференциации стадий заболевания остается ограниченной21.

Методы глубокого обучения, основанные на частотно-временных представлениях ЭЭГ, также исследовались для многоклассовой классификации болезни Альцгеймера (БА), умеренных когнитивных нарушений (УКН) и здорового контроля (ЗК)29. Несмотря на сообщения о высокой точности классификации, к ограничениям относятся малые или отобранные когорты, дисбаланс классов, неоднородность степени тяжести заболевания, отсутствие внешней валидации и низкая интерпретируемость моделей29. Стратегия валидации также является важным методологическим аспектом. Подходы, независимые от конкретного участника, показали, что традиционная перекрестная проверка на уровне эпох может привести к завышению показателей точности, если эпохи одного и того же участника оказываются как в обучающей, так и в тестовой выборках30. Это ограничение особенно актуально при сравнении результатов классификации в исследованиях, использующих разные схемы валидации.

Меры сложности и связности также оценивались с использованием классификаторов на базе метода опорных векторов, при этом фазовая связность и многомасштабная энтропия продемонстрировали разный уровень дискриминационной способности31,32. В других работах, использующих признаки, полученные с помощью преобразований Фурье и вейвлет-преобразований, сообщалось о вариативности эффективности при сравнении БА, УКН и группы здорового контроля, при этом многоклассовая классификация в целом оставалась более сложной задачей, чем бинарная классификация14. Подходы, основанные на энтропии и синхронности, дополнительно продемонстрировали возможность разграничения групп с БА и контрольных групп, хотя характеристики контрольной популяции могут влиять на наблюдаемый размер эффекта2.

В данном исследовании оценивается многодоменный набор признаков, включающий среднеквадратичное значение (RMS), спектральную плотность мощности (PSD) и показатели энтропии, извлеченные из частотных диапазонов ЭЭГ, а также возраст как демографическую переменную. RMS характеризует амплитуду сигнала в каждом частотном диапазоне, тогда как PSD представляет мощность в частотной области. Энтропия включена в качестве меры сложности сигнала. Эти признаки обеспечивают взаимодополняющее описание активности ЭЭГ и оцениваются с помощью классификатора Random Forest. Кроме того, в исследовании анализируются важность признаков, стабильность признаков, объяснимый искусственный интеллект и размер эффекта для оценки относительного вклада извлеченных признаков. В данной работе исследуется эффективность многодоменных признаков ЭЭГ, включая спектральные, временные показатели и меры сложности, при различении болезни Альцгеймера (AD), лобно-височной деменции (FTD) и здорового контроля (HC) с использованием машинного обучения. Также изучается, какие признаки частотных диапазонов ЭЭГ вносят наибольший вклад в классификацию при использовании показателей спектральной плотности мощности (PSD), среднеквадратичного значения (RMS) и энтропии. Кроме того, в исследовании сравнивается вклад признаков, основанных на мощности (включая PSD и RMS), с вкладом признаков на основе энтропии, и оценивается роль возраста в модели классификации.

Протокол

Схематический обзор процесса предобработки ЭЭГ, извлечения признаков и классификации представлен на Рисунке 1. Материалы и программное обеспечение, использованные в исследовании, перечислены в Таблице материалов.

figure-protocol-1
Рисунок 1: Алгоритм предварительной обработки ЭЭГ, извлечения признаков и классификации. Схематический обзор рабочего процесса исследования, включающий проверку данных ЭЭГ, полосовую фильтрацию и переопределение референса, извлечение признаков среднеквадратичного значения (RMS), спектральной плотности мощности (PSD) и энтропии, добавление возраста, разделение данных на обучающую и тестовую выборки, разработку модели Random Forest, анализ стабильности признаков, анализ SHAP, анализ размера эффекта по d Коэна, интегрированный отбор признаков, абляцию признаков энтропии, повторное обучение модели и оценку эффективности. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

1. Сбор данных
Общедоступный набор данных ЭЭГ в состоянии покоя был получен из репозитория OpenNeuro (набор данных ds004504, версия 1.0.9)33. Метки участников и демографическая информация были проверены. Набор данных включал 88 участников, в том числе 36 участников с болезнью Альцгеймера (AD), 23 с фронтотемпоральной деменцией (FTD) и 29 здоровых добровольцев (HC).

2. Импорт записей ЭЭГ
Для каждого участника запись ЭЭГ была загружена с помощью библиотеки MNE-Python. Каждый файл ЭЭГ проверялся на доступность, успешность импорта и наличие корректного идентификатора участника. Записи с отсутствующими или поврежденными файлами были исключены. На данном этапе сохранялась исходная частота дискретизации ЭЭГ 500 Hz. Сигналы подвергались даунсемплированию для снижения вычислительной нагрузки при сохранении всей клинически значимой информации ЭЭГ для данного исследования.

3. Полосовая фильтрация
Непрерывные записи ЭЭГ фильтровали с помощью полосового фильтра четвертого порядка с нижней граничной частотой 0.5 Hz и верхней граничной частотой 40 Hz.

4. Общее среднее referencing и эпохирование
К отфильтрованным записям ЭЭГ было применено общее среднее referencing (CAR). Для каждого временного отсчета вычислялся средний сигнал по всем доступным каналам ЭЭГ, который затем вычитался из каждого канала. Реферированные сигналы ЭЭГ были сохранены для последующего анализа. Каждая реферированная запись ЭЭГ была разделена на эпохи фиксированной длительности с помощью функции make_fixed_length_epochs() в MNE-Python. Использовалась длительность эпохи 10 s с перекрытием 0 s.

5. Валидация эпох
Для каждого участника были сохранены только полные эпохи продолжительностью 10 s. Любые оставшиеся сегменты ЭЭГ короче 10 s в конце записи были удалены. Каждая сохраненная эпоха в дальнейшем использовалась в качестве отдельного образца для извлечения признаков.

6. Подготовка признаков
Несмотря на наличие данных краткого исследования психического статуса (MMSE) в исходном наборе данных, они были исключены из настоящего анализа. Извлеченные признаки ЭЭГ были объединены с демографической информацией участников, включая возраст и диагностические метки, полученные из файла метаданных participants.csv. В качестве общего ключа использовался идентификатор участника; были оставлены только те участники, для которых имелись как записи признаков ЭЭГ, так и соответствующая демографическая информация.

Многодоменная матрица признаков включала пять признаков среднеквадратичного значения (RMS) (delta_rms, theta_rms, alpha_rms, beta_rms и gamma_rms), пять признаков спектральной плотности мощности (PSD) (delta_psd, theta_psd, alpha_psd, beta_psd и gamma_psd) и пять признаков энтропии (delta_entropy, theta_entropy, alpha_entropy, beta_entropy и gamma_entropy). Возраст был включен в качестве дополнительной демографической переменной. Поскольку распределение по возрасту может различаться в разных диагностических группах, влияние демографических факторов не могло быть полностью исключено. Диагностическая группа, определенная как AD, HC или FTD, была назначена в качестве целевой метки.

7. Предобработка данных и разделение на обучающую и тестовую выборки
В ходе предобработки частота дискретизации записей была снижена с 500 Hz до 250 Hz для уменьшения вычислительных затрат при сохранении интересующей информации о частотах ЭЭГ.

Набор данных был разделен на обучающую (80%) и тестовую (20%) выборки на уровне субъектов с использованием стратегии группового разделения. Прогнозы на уровне субъектов впоследствии были получены путем мажоритарного голосования по всем предсказанным эпохам, принадлежащим каждому участнику. Основная оценка проводилась с использованием группового разделения на обучающую и тестовую выборки на уровне субъектов, чтобы исключить попадание эпох одного и того же участника в обе выборки. Прогнозы на уровне субъектов были получены путем мажоритарного голосования по всем предсказанным эпохам, принадлежащим каждому участнику. Набор данных был проверен на наличие пропущенных значений; пропущенные наблюдения были удалены или импутированы, где это было применимо. Диагностические метки были закодированы. StandardScaler был обучен на обучающих данных, а затем применен как к обучающему, так и к тестовому наборам данных.

8. Разработка модели случайного леса
Классификатор случайного леса (Random Forest) был инициализирован с использованием 80 деревьев, максимальной глубины дерева 10, максимального количества признаков 4, минимального количества выборок на лист 5 и случайного состояния (random state) 42. Классификатор был обучен на стандартизированном тренировочном наборе данных.

9. Оценка модели
Для обучающей и тестовой выборок были предсказаны метки классов. Построена матрица ошибок (confusion matrix), а также рассчитаны точность (accuracy), прецизионность (precision), полнота (recall) и F1-мера (F1-score) вместе с отчетом о классификации. Были зафиксированы показатели точности на обучающей и тестовой выборках.

При оценке по каждому участнику убедитесь, что все эпохи конкретного участника были распределены исключительно либо в обучающую, либо в тестовую подвыборку. Классификатор Random Forest был обучен с использованием тех же гиперпараметров, что и в основном анализе.

10. Перекрестная проверка
В качестве дополнительной процедуры оценки модели была выполнена пятикратная стратифицированная перекрестная проверка с параметрами shuffle = True и random_state = 30. Были рассчитаны средняя точность и стандартное отклонение по пяти фолдам. Данный анализ рассматривался отдельно от основной оценки на отложенной выборке на уровне субъектов.

11. Анализ стабильности признаков
Стабильность признаков оценивали путем десятикратного повторения обучения Random Forest с использованием случайных значений seed от 0 до 9. Для каждого запуска регистрировали точность тестирования и показатели значимости признаков. Для каждого предиктора рассчитывали среднее значение и стандартное отклонение показателя значимости по результатам 10 запусков, после чего предикторы ранжировали в соответствии с их стабильностью. Данный анализ использовался для оценки согласованности ранжирования признаков, а не для замены основной оценки на уровне субъектов.

12. Анализ с помощью объяснимого искусственного интеллекта
Для обученной модели Random Forest был применен инструмент SHAP TreeExplainer. Были рассчитаны значения SHAP для оценки вклада каждого признака в прогнозы модели. Для каждого признака вычислялось среднее абсолютное значение SHAP, после чего признаки были ранжированы в соответствии с их вкладом в SHAP. Были выявлены признаки со стабильно низкими значениями SHAP, которые затем сравнивали с результатами анализа стабильности признаков и коэффициента d Коэна. Признаки, демонстрирующие стабильно низкий вклад, были отобраны для последующей абляции и переобучения модели.

13. Анализ статистического размера эффекта
Для каждого биомаркера ЭЭГ был рассчитан d-критерий Коэна для сравнений БА против ЗК, БА против ЛПД и ЛПД против ЗК. Величины размера эффекта интерпретировались с использованием следующих пороговых значений: 0,20 для малого эффекта, 0,50 для среднего эффекта и 0,80 для большого эффекта.

14. Интегративный отбор признаков
Было проведено сравнение результатов анализа важности признаков методом Random Forest, анализа SHAP и анализа коэффициента d Коэна. Предикторы, которые последовательно демонстрировали низкую важность признаков, низкий вклад по SHAP и малые значения размера эффекта, были определены как кандидаты на удаление.

15. Абляция признаков
Признаки энтропии были оценены в ходе исследовательского анализа абляции, и была построена сокращенная матрица признаков, содержащая RMS, PSD и возраст. Классификатор Random Forest был переобучен с использованием тех же гиперпараметров. Обучение модели, тестирование, кросс-валидация и анализ рабочих характеристик приемника (ROC-анализ) были повторены с использованием сокращенного набора признаков.

16. ROC-анализ
Вероятности классов были получены с помощью оптимизированного классификатора Random Forest. Многоклассовые ROC-кривые были построены с использованием метода one-в сравнении с—стратегии отдыха. Были рассчитаны значения площади под кривой (AUC) для каждого класса и среднее значение AUC.

17. Сравнение эффективности
Эффективность полной модели признаков была сравнена с эффективностью сокращенной модели признаков, полученной после абляции признаков на основе энтропии.

Результаты

Модель случайного леса (Random Forest) достигла точности 96% на обучающей выборке и 92% на тестовой выборке. Макро-усредненное значение F1-меры составило 92%, а взвешенно-усредненное значение F1-меры также составило 92%, что указывает на сопоставимую эффективность для трех классов. Эффективность классификации была наибольшей для класса болезни Альцгеймера (AD), в то время как для класса лобно-височной деменции (FTD) наблюдались сравнительно более низкие показатели, как представлено в Таблице 1.

Для оценки разделения классов по различным порогам классификации использовался анализ рабочей характеристики приемника (ROC-анализ). Как показано на Рисунке 2, площадь под ROC-кривой (AUC) для всех трех классов превысила 0.98, что указывает на высокую разделимость групп с AD, FTD и здоровым контролем (HC).

Для оценки вклада признаков в модель классификации Random Forest был проведен анализ SHAP с использованием TreeExplainer. Обобщенная столбчатая диаграмма на Рисунке 3 показала относительный вклад спектральной плотности мощности (PSD), среднеквадратичного значения (RMS), энтропии и демографических признаков. Признаки с более высокими абсолютными значениями SHAP вносили более сильный вклад в прогнозы модели, в то время как признаки, связанные с энтропией, показали сравнительно низкий вклад.

Анализ стабильности признаков проводили путем повторного обучения Random Forest с использованием заданных случайных значений (seeds). Для каждого запуска регистрировали точность тестирования и показатели значимости признаков, после чего рассчитывали среднее значение и стандартное отклонение значимости признаков. В ходе данного анализа модель достигла средней точности классификации 95% со стандартным отклонением 0,17%. Эти повторные запуски использовались преимущественно для оценки согласованности ранжирования признаков и рассматривались отдельно от основной оценки на контрольной выборке на уровне испытуемых. Возраст занял высокое место в анализе стабильности признаков, как показано в Таблице 2. Признаки theta_psd и theta_rms также имели высокий ранг, в то время как alpha_psd, alpha_rms, beta_psd и beta_rms продемонстрировали умеренную значимость.

Для оценки величины различий между группами был рассчитан d-показатель Коэна, представленный в Таблице 3. Наибольшие зарегистрированные различия между участниками с AD и здоровым контролем наблюдались при ослаблении альфа-диапазона (alpha_rms, d = 0.97; alpha_psd, d = 0.87) и повышении тета-активности (theta_rms, d = 0.72). Эти результаты согласуются с данными о замедлении корковой активности, описанными в ЭЭГ-исследованиях деменции34. Признаки, основанные на энтропии, показали сравнительно меньшие значения величины эффекта. Сравнения между AD и FTD выявили преимущественно малые или умеренные величины эффекта.

Характеристики альфа-диапазона продемонстрировали значительные величины эффекта при сравнении AD versus HC и FTD versus HC. Для сравнения AD versus HC сообщалось о величинах эффекта −0.87 для alpha_psd и −0.97 для alpha_rms. Для сравнения FTD versus HC затухание в альфа-диапазоне составило −0.73. Характеристика theta_psd показала величину эффекта 0.61 для AD versus HC, в то время как theta_rms показала величину эффекта 0.72. Меньшие различия наблюдались при сравнении AD versus FTD.

Характеристики бета-диапазона продемонстрировали преимущественно малые или умеренные величины группового эффекта. Величина эффекта beta_psd составила −0.35 для AD versus HC и −0.41 для AD versus FTD, в то время как для beta_rms наблюдались в основном малые эффекты. Характеристики гамма-диапазона показали умеренные эффекты для некоторых сравнений. Величина эффекта gamma_psd составила 0.47 для FTD versus HC и 0.20 для AD versus HC, тогда как для gamma_rms величина эффекта составила 0.50 для FTD versus HC.

Значения Delta PSD и RMS показали небольшие положительные величины эффекта для AD по сравнению с HC (0,29 и 0,34 соответственно) и FTD по сравнению с HC (0,25 и 0,25 соответственно). Величины эффекта для AD по сравнению с FTD были близки к нулю. Delta entropy показала небольшие величины эффекта во всех трех сравнениях (0,08, 0,20 и −0,11).

Анализ стабильности признаков, SHAP-анализ и анализ величины эффекта показали сравнительно низкий вклад признаков энтропии. Следовательно, был проведен абляционный анализ путем исключения признаков энтропии и сохранения RMS, PSD и возраста. После абляции признаков модель Random Forest достигла точности 96% при обучении и 94% при тестировании. Этот результат был интерпретирован как предварительное сравнение в рамках оцениваемой системы отбора признаков. Точность (precision), полнота (recall), F1-мера и поддержка для классов AD, HC и FTD представлены в Таблице 4.

Сравнение показателей эффективности до и после абляции признака энтропии приведено в Таблице 5. Точность тестирования увеличилась с 92% до 94% после удаления энтропии. Изменения по классам представлены в Таблице 6. Для FTD точность (precision) увеличилась на 4%, а F1-мера увеличилась на 2%. Полнота (recall) для группы HC увеличилась на 4%, в то время как точность (precision) снизилась на 2%. Средние макро- и взвешенные показатели эффективности после абляции признака увеличились примерно на 1%–2%.

figure-results-1
Рисунок 2Кривые рабочих характеристик приемника для болезни Альцгеймера, лобно-височной деменции и здорового контроля. Многоклассовые операционные характеристики (ROC-кривые), построенные с использованием метода «один против всех» (one-vs-all)в сравнении с—стратегия покоя для пациентов с болезнью Альцгеймера (класс A), лобно-височной деменцией (класс F) и здоровым контролем (класс C). Для каждого класса была рассчитана площадь под кривой (AUC). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-results-2
Рисунок 3: Сводный SHAP-анализ обученной модели Random Forest. Сводный столбчатый график, демонстрирующий относительный вклад признаков, полученных из ЭЭГ и демографических данных, в классификационную модель Random Forest. Средние абсолютные значения SHAP использовались для ранжирования вклада среднеквадратичного значения (RMS), спектральной плотности мощности (PSD), энтропии и возраста. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

ТочностьПолнота (Recall)F1-мераПоддержка
Болезнь Альцгеймера0.920.950.94579
Контроль0.930.920.93480
Лобно-височная деменция0.930.870.9314
Макроусреднение0.930.920.921373
Средневзвешенное значение0.930.920.921373

Таблица 1: Отчет о классификации на тестовых данных. Точность (precision), полнота (recall), F1-мера и поддержка для классов болезни Альцгеймера, здорового контроля и лобно-височной деменции в тестовом наборе данных, а также показатели макро-усреднения и взвешенного усреднения эффективности.

ОсобенностьСреднее значениеСтандартное отклонение
Возраст0.19660.0017
спектральная_плотность_мощности_тета-ритма0.09360.0027
theta_rms0.09110.0023
альфа_ПСД0.08240.0022
alpha_rms0.08240.0024
бета_ПСП0.06380.0013
beta_rms0.06290.0012
гамма_ПСП0.05340.001
гамма_rms0.05270.0014
дельта_псф (изменение спектральной плотности мощности)0.04030.0007
Среднеквадратичное отклонение дельты0.03590.001
гамма-энтропия0.03260.0008
альфа-энтропия0.03250.0006
бета-энтропия0.02830.0009
тета_энтропия0.02580.0004
дельта_энтропия0.02550.0005

Таблица 2: Ранжирование признаков по стабильности в модели Random Forest. Средние значения важности признаков и соответствующая вариативность, полученные в результате повторного обучения Random Forest с использованием случайных чисел (seeds) от 0 до 9. Признаки были ранжированы в соответствии с их стабильностью во всех прогонах.

ПризнакБП vs. ЗКБП vs. ЛПДЛПД vs. ЗК
PSD дельта-ритма0.293-0.0690.253
PSD тета-ритма0.6120.230.355
PSD альфа-ритма-0.869-0.219-0.64
PSD бета-ритма-0.352-0.4080.201
PSD гамма-ритма0.201-0.3260.468
Энтропия дельта-ритма0.0810.199-0.111
Энтропия тета-ритма0.2080.0330.163
Энтропия альфа-ритма-0.0610.071-0.137
Энтропия бета-ритма-0.37-0.042-0.332
Энтропия гамма-ритма-0.3380.047-0.391
RMS дельта-ритма0.3420.0410.251
RMS тета-ритма0.7180.3540.318
RMS альфа-ритма-0.977-0.205-0.73
RMS бета-ритма-0.494-0.3650.015
RMS гамма-ритма0.187-0.330.5

Таблица 3: Сравнение величины эффекта d Коэна между диагностическими группами. Значения d Коэна для биомаркеров ЭЭГ при сравнении пациентов с болезнью Альцгеймера и здорового контроля, пациентов с болезнью Альцгеймера и лобно-височной деменцией, а также пациентов с лобно-височной деменцией и здорового контроля.

Точность (Precision)Полнота (Recall)F1-мераПоддержка (Support)
Болезнь Альцгеймера0.940.950.94579
Контрольная группа0.910.960.94480
Лобно-височная деменция0.970.890.92314
Макросреднее0.940.930.931373
Взвешенное среднее0.940.940.941373

Таблица 4: Отчет о классификации после абляции признаков. Точность (precision), полнота (recall), F1-мера (F1-score) и поддержка (support) для классов болезни Альцгеймера, здорового контроля и лобно-височной деменции после удаления признаков энтропии и переобучения модели Random Forest.

МетрикаДо абляцииПосле абляцииИзменение
Точность обучения0.960.96изменение 0%
Точность тестирования0.920.94улучшение +2%
Макроточность (Macro Precision)0.930.94улучшение +1%
Макрополнота (Macro Recall)0.920.93улучшение +1%
Макро-F1-мера (Macro F1-Score)0.920.93улучшение +1%
Взвешенная точность (Weighted Precision)0.930.94улучшение +1%
Взвешенная полнота (Weighted Recall)0.920.94улучшение +2%
Взвешенная F1-мера (Weighted F1-Score)0.920.94улучшение +2%

Таблица 5: Сравнение эффективности до и после абляции признаков. Сравнение показателей эффективности модели для полного набора многодоменных признаков и сокращенного набора признаков, полученного после удаления признаков энтропии.

ДОСТУПНОСТЬ ДАННЫХ:
Обработанный набор данных в формате CSV, использованный для разработки и анализа модели, представлен в виде Дополнительного файла 1. Код предварительной обработки доступен в блокноте Python по адресу https://colab.research.google.com/drive/1PwidMZCbbIHdthDhat5OEZa7ya6f0-aC?usp=sharing, а код построения модели и анализа доступен по адресу https://colab.research.google.com/drive/1q8wYJjQpofAqZGYxz9xHKB0emGF4YGwM?usp=sharing. Обработанный набор данных CSV также может быть повторно сформирован с помощью предоставленного кода предварительной обработки

КлассМетрикаДоПослеИзменение
Болезнь АльцгеймераТочность0.920.940.02
Полнота воспроизведения0.950.95Без изменений
F-мера0.940.94Без изменений
КонтрольТочность0.930.91−2%
Полнота (Recall)0.920.960.04
F1-мера0.930.940.01
Лобулярная форма деменции (ЛФД)Прецизионность0.930.970.04
Полнота воспроизведения0.870.890.02
F-мера (F1-score)0.90.920.02

Таблица 6: Изменение показателей эффективности по классам до и после абляции признаков.Изменения точности (precision), полноты (recall) и F1-меры для классов болезни Альцгеймера, здорового контроля и лобно-височной деменции после удаления признаков энтропии.

Дополнительный файл 1: Обработанный набор данных признаков ЭЭГ на уровне эпох, использованный для разработки и анализа модели. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Обсуждение

Классификатор Random Forest использовался для распределения образцов электроэнцефалографии (ЭЭГ) по группам: болезнь Альцгеймера (БА), лобно-височная деменция (ЛВД) и здоровый контроль (ЗК) с использованием многодоменных признаков, включая спектральную плотность мощности (PSD), среднеквадратичное значение (RMS) и показатели энтропии. Возраст был включен в качестве дополнительной демографической переменной. Поскольку распределение по возрасту могло различаться между диагностическими группами, демографический конфаундинг не мог быть полностью исключен, и, следовательно, сообщаемые показатели эффективности отражали совокупный вклад демографической и электрофизиологической информации. В ходе анализа изучалась способность многодоменных признаков ЭЭГ дифференцировать группы БА, ЛВД и ЗК, а также оценивался вклад признаков дельта-, тета-, альфа-, бета- и гамма-диапазонов в классификацию35. Анализ стабильности признаков и величины эффекта показал, что признаки, основанные на мощности, включая PSD и RMS, вносят более значительный вклад, чем признаки, основанные на энтропии. Извлеченные биомаркеры ЭЭГ также отражали паттерны, связанные с замедлением ритмов и снижением альфа-активности.

В предыдущих исследованиях оценивались признаки ЭЭГ на основе энтропии, спектральной плотности мощности (PSD) и среднеквадратичного значения (RMS) с использованием различных подходов машинного обучения2,14,27,28,36,37. Энтропия использовалась для характеристики сложности и нерегулярности ЭЭГ, в то время как PSD применялась для количественной оценки спектральных характеристик2,14,27,28,36. RMS также оценивалась как признак частотного диапазона37. В предыдущей работе с использованием того же базового набора данных применялась бинарная классификация на основе PSD с валидацией по методу исключения одного субъекта (leave-one-subject-out)33. В настоящем анализе, напротив, RMS, энтропия и PSD в альфа-, бета-, гамма-, тета- и дельта-диапазонах были объединены в рамках многоклассовой классификации. На том же наборе данных была протестирована облегченная модель EEG transformer с использованием стратегии бинарной классификации по методу исключения одного субъекта. Облегченная модель EEG transformer, протестированная на том же наборе данных с использованием стратегии бинарной классификации по методу исключения одного субъекта, показала точность 83.28%. Прямое численное сравнение с настоящими результатами следует интерпретировать с осторожностью, поскольку задача классификации и процедуры валидации различались38.

Признаки альфа-диапазона продемонстрировали наибольшие размеры эффекта при дифференциации БА от ЗК и ЛВД от ЗК, а повышенная тета-активность также способствовала разграничению БА и ЗК. Признаки бета-диапазона показали меньшие эффекты во всех группах, тогда как признаки на основе энтропии имели сравнительно ограниченную дискриминационную значимость. Признаки гамма-диапазона продемонстрировали умеренные эффекты для некоторых сравнений, включая ЛВД versus ЗК. В предыдущих исследованиях сообщалось о снижении мощности альфа-ритма и изменении тета-активности при БА и в соответствующих диагностических сравнениях23,25,39. Энтропия также описывалась как потенциально информативный биомаркер нейродегенеративных заболеваний36, что указывает на то, что ее вклад может варьироваться в зависимости от набора данных, определения признака и аналитического подхода.

Метод опорных векторов часто использовался в предыдущих исследованиях по классификации ЭЭГ3,21,24,37. Классификатор Random Forest, использованный в данном анализе, позволил получить оценки важности признаков и был применим к структурированному набору признаков, использованному в этом исследовании40,41. После абляции признаков энтропии точность обучения и тестирования составила 96% и 94% соответственно. Удаление признаков энтропии было связано с улучшением производительности модели, что подтверждает более низкий относительный вклад этих признаков, наблюдаемый при анализе стабильности, SHAP и величины эффекта. Для классификации ЭЭГ также применялись методы глубокого обучения и подходы на основе трансформеров, хотя такие подходы обычно требуют больших наборов данных и предназначены для более многомерных или последовательных представлений27,39,42,43,44,45.

Сигналы ЭЭГ характеризуются зашумленностью и нестационарностью, а ансамблевые модели на основе деревьев решений могут обеспечить устойчивость при анализе структурированных представлений признаков. В настоящем исследовании среднеквадратичное значение (RMS), спектральная плотность мощности (PSD), энтропия и возраст оценивались в качестве дополнительных входных данных для модели Random Forest. RMS отражала амплитуду сигнала в частотных диапазонах, PSD — спектральную мощность, а энтропия — сложность сигнала. Результаты показали, что в рамках оцениваемой системы PSD и RMS вносили более значимый вклад в классификацию, чем энтропия. Возраст также повлиял на модель, хотя его включение создало вероятность демографического смешивания факторов. В будущих исследованиях можно оценить дополнительные демографические переменные, а также альтернативные подходы машинного или глубокого обучения на более крупных наборах данных для дальнейшей оценки обобщающей способности и эффективности классификации.

Раскрытие информации

Конфликтов финансовых интересов, личных или финансовых отношений, а также иной деятельности, которые могли бы повлиять на результаты данной работы, не заявлено.

Благодарности

Авторы выражают признательность за общедоступный набор данных ЭЭГ, использованный в данном исследовании, а также за вклад исследователей, сделавших этот набор данных доступным для исследовательских целей. Специальное финансирование из государственных, коммерческих или некоммерческих источников не получалось.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Google ColabGoogle[подтвердить среду]colab runtimeОблачная вычислительная среда, используемая для запуска блокнотов с анализом
MNE-PythonMNE-Python project1.12.1Используется для предобработки ЭЭГ, пересчета референта, фильтрации и сегментации на эпохи
NumPyNumPy project(2.0.2)Используется для численных вычислений и операций с массивами
OpenNeuro EEG datasetOpenNeurods004504, (1.0.9)Общедоступный набор данных ЭЭГ в состоянии покоя, содержащий записи пациентов с БА, МПД и здоровым контролем
PythonPython Software Foundation[3.12.13 (main, Mar  4 2026, 09:23:07) [GCC 11.4.0]]Среда программирования, используемая для обработки данных и разработки моделей
scikit-learnscikit-learn project1.6.1Используется для предобработки, группированного разделения данных, классификации методом случайного леса и оценки эффективности
SciPySciPy project(1.16.3)Используется для обработки сигналов и статистических вычислений
SHAPSHAP project0.52.0Используется для анализа объяснимого искусственного интеллекта с помощью TreeExplainer

Ссылки

  1. Rodrigues PM, et al. Early prediction of Alzheimer's with the electroencephalogram. Procedia Comput Sci. 2016;100:865–71. https://doi.org/10.1016/j.procs.2016.09.236
  2. Houmani N, et al. Diagnosis of Alzheimer's disease with electroencephalography in a differential framework. PLoS One. 2018;13(3):e0193607. https://doi.org/10.1371/journal.pone.0193607
  3. Tripanpitak K, et al. Biomarkers for Alzheimer's disease and mild cognitive impairment: recent advances in task-based EEG. J Alzheimers Dis. 2025 [Epub ahead of print].
  4. Kung HC, Hoyert DL, Xu J, Murphy SL. Deaths: final data for 2005. Natl Vital Stat Rep. 2008;56(10):1-120.
  5. Falk TH, Fraga FJ, Trambaiolli L, Anghinah R. EEG amplitude modulation analysis for semi-automated diagnosis of Alzheimer's disease. EURASIP J Adv Signal Process. 2012;2012(1):192. https://doi.org/10.1186/1687-6180-2012-192
  6. Lehmann C, et al. Application and comparison of classification algorithms for recognition of Alzheimer's disease in electrical brain activity (EEG). J Neurosci Methods. 2007;161(2):342–50. https://doi.org/10.1016/j.jneumeth.2006.10.023
  7. Campanharo AS, Doescher E, Ramos FM. Automated EEG signals analysis using quantile graphs. In: Ferrández Vicente JM, Álvarez-Sánchez JR, de la Paz López F, Adeli H, editors. International Work-Conference on Artificial Neural Networks (IWANN 2017). Cham: Springer; 2017. p. 95–103. https://doi.org/10.1007/978-3-319-59147-6_9
  8. Adeli H, Ghosh-Dastidar S, Dadmehr N. Alzheimer's disease: models of computation and analysis of EEGs. Clin EEG Neurosci. 2005;36(3):131–40. https://doi.org/10.1177/155005940503600303
  9. Zheng H, Xiong X, Zhang X. Multi-threshold recurrence rate plot: a novel methodology for EEG analysis in Alzheimer's disease and frontotemporal dementia. Brain Sci. 2024;14(6):565. https://doi.org/10.3390/brainsci14060565
  10. Zheng X, et al. Diagnosis of Alzheimer's disease via resting-state EEG: integration of spectrum, complexity, and synchronisation signal features. Front Ageing Neurosci. 2023;15:1288295. https://doi.org/10.3389/fnagi.2023.1288295
  11. Abd Rahman F, Othman MF, Shaharuddin NA. Analysis methods of EEG signals: a review in EEG applications for brain disorders. J Teknol. 2015;72(2):41-6.
  12. Jackson AF, Bolger DJ. The neurophysiological bases of EEG and EEG measurement: a review for the rest of us. Psychophysiology. 2014;51(11):1061–71. https://doi.org/10.1111/psyp.12283
  13. Fouad IA, Labib FEZM. Identification of Alzheimer's disease from central lobe EEG signals utilising machine learning and a residual neural network. Biomed Signal Process Control. 2023;86:105266. https://doi.org/10.1016/j.bspc.2023.105266
  14. Fiscon G, et al. Combining EEG signal processing with supervised methods for Alzheimer's patients' classification. BMC Med Inform Decis Mak. 2018;18(1):35. https//doi.org/10.1186/s12911-018-0613-7
  15. Dauwels J, Vialatte F, Cichocki A. Diagnosis of Alzheimer's disease from EEG signals: where are we standing? Curr Alzheimer Res. 2010;7(6):487–505. https://doi.org/10.2174/156720510792231720
  16. Jelic V, Kowalski J. Evidence-based evaluation of diagnostic accuracy of resting EEG in dementia and mild cognitive impairment. Clin EEG Neurosci. 2009;40(2):129-42.
  17. Coben LA, Danziger WL, Berg L. Frequency analysis of the resting awake EEG in mild senile dementia of Alzheimer type. Electroencephalogr Clin Neurophysiol. 1983;55(4):372–80. https://doi.org/10.1016/0013-4694(83)90124-4
  18. Cibils D. Dementia and qEEG (Alzheimer's disease). Suppl Clin Neurophysiol. 2002;54:289-94.
  19. Ramírez-Arias FJ, et al. Evaluation of machine learning algorithms for the classification of EEG signals. Technologies. 2022;10(4):79. https://doi.org/10.3390/technologies10040079
  20. Hosseini MP, Hosseini A, Ahi K. A review on machine learning for EEG signal processing in bioengineering. IEEE Rev Biomed Eng. 2021;14:204–18. https://doi.org/10.1109/RBME.2020.2969915
  21. Vicchietti ML, Ramos FM, Betting LE, Campanharo AS. Computational methods of EEG signals analysis for Alzheimer's disease classification. Sci Rep. 2023;13(1):8184.
  22. Rahimi P, Noroozian M, Hatami J, Sadeghi M. Differential role of electroencephalography between mild cognitive impairment and Alzheimer disease during spatial working memory task. Iran J Neurodevelop Disord. 2025;4(1):101-10.
  23. Wang J, et al. Alzheimer's disease diagnosis using rhythmic power changes and phase differences: a low-density EEG study. Front Aging Neurosci. 2025;16:1485132. https://doi.org/10.3389/fnagi.2024.1485132
  24. Senkaya Y, Kurnaz C, Ozbilgin F. Enhancing Alzheimer's diagnosis with machine learning on EEG: a spectral feature-based comparative analysis. Diagnostics (Basel). 2025;15(17):2190. https://doi.org/10.3390/diagnostics15172190
  25. McBride JC, et al. Spectral and complexity analysis of scalp EEG characteristics for mild cognitive impairment and early Alzheimer's disease. Comput Methods Programs Biomed. 2014;114(2):153–63. https://doi.org/10.1016/j.cmpb.2014.01.019
  26. Al-Nuaimi AH, Jammeh E, Sun L, Ifeachor E. Changes in the EEG amplitude as a biomarker for early detection of Alzheimer's disease. In: 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC); 2016; Orlando, FL, USA. Piscataway: IEEE; 2016. p. 993–6. https://doi.org/10.1109/EMBC.2016.7590869
  27. Ma Y, Bland JKS, Fujinami T. Classification of Alzheimer's disease and frontotemporal dementia using electroencephalography to quantify communication between electrode pairs. Diagnostics (Basel). 2024;14(19):2189. https://doi.org/10.3390/diagnostics14192189
  28. Fiscon G, et al. Alzheimer's disease patients classification through EEG signals processing. In: 2014 IEEE Symposium on Computational Intelligence and Data Mining (CIDM); 2014; Orlando, FL, USA. IEEE; 2014. p. 105–12. https://doi.org/10.1109/CIDM.2014.7008655
  29. Fouladi S, et al. Efficient deep neural networks for classification of Alzheimer’s disease and mild cognitive impairment from scalp EEG recordings. Cogn Comput. 2022;14(4):1247–68. https://doi.org/10.1007/s12559-022-10022-y
  30. Miltiadous A, et al. Alzheimer’s disease and frontotemporal dementia: A robust classification method of EEG signals and a comparison of validation methods. Diagnostics. 2021;11(8):1437. https://doi.org/10.3390/diagnostics11081437
  31. Nobukawa S, et al. Classification methods based on complexity and synchronization of electroencephalography signals in Alzheimer’s disease. Front Psychiatry. 2020;11:255. https://doi.org/10.3389/fpsyt.2020.00255
  32. Huggins CJ, et al. Deep learning of resting-state electroencephalogram signals for three-class classification of Alzheimer’s disease, mild cognitive impairment and healthy ageing. J Neural Eng. 2021;18(4):046087. https://doi.org/10.1088/1741-2552/ac1a80
  33. Miltiadous A, et al. DICE-net: a novel convolution–transformer architecture for Alzheimer detection in EEG signals. IEEE Access. 2023;11:71840–58. https://doi.org/10.1109/ACCESS.2023a.3294618
  34. Miller R. Theory of the normal waking EEG: from single neurones to waveforms in the alpha, beta and gamma frequency ranges. Int J Psychophysiol. 2007;64(1):18–23. https://doi.org/10.1016/j.ijpsycho.2006.07.009
  35. Thomas JS, Thivakaran TK. Data mining algorithms and statistical techniques for identification of schizophrenia: A survey. In: 2020 International Conference on Smart Technologies in Computing, Electrical and Electronics (ICSTCEE); 2020; Bengaluru, India. IEEE; 2020. p. 246–51. https://doi.org/10.1109/ICSTCEE49637.2020.9276856
  36. Cacciotti A, et al. EEG entropy insights in the context of physiological aging and Alzheimer's and Parkinson's diseases: a comprehensive review. Geroscience. 2024;46(6):5537–57. https://doi.org/10.1007/s11357-024-01200-5
  37. Subhashree S, Eric PV. A unique EEG-Hyfusion fully automated stacked model for classification of Alzheimer's disease and frontotemporal dementia. J Vis Exp. 2026;(228):e69762.
  38. Miltiadous A, et al. A dataset of scalp EEG recordings of Alzheimer's disease, frontotemporal dementia and healthy subjects from routine EEG. Data (Basel). 2023;8(6):95. https://doi.org/10.3390/data8060095
  39. Malakouti SM, Menhaj MB, Suratgar AA. Enhanced epilepsy detection using discrete wavelet transform and bandpass filtering on EEG data: integration of ART-based and LVQ models. Clin eHealth. 2025. https://doi.org/10.1016/j.ceh.2025.02.001
  40. Durga P, et al. An ensemble model for detection of Parkinson's disease by comparing numerous machine learning models and XGBoost based on vocal features. Clin eHealth. 2025. https://doi.org/10.1016/j.ceh.2025.01.001
  41. Behnamian A, et al. A systematic approach for variable selection with random forests: achieving stable variable importance values. IEEE Geosci Remote Sens Lett. 2017;14(11):1988–92. https://doi.org/10.1109/LGRS.2017.2745049
  42. Macia G, Liddell A, Doyle V. Conversational AI with large language models to increase the uptake of clinical guidance. Clin eHealth. 2024;7:147–52. https://doi.org/10.1016/j.ceh.2024.07.001
  43. Zhao W. Research on the deep learning of small sample data based on transfer learning. AIP Conf Proc. 2017;1864(1):020018. https://doi.org/10.1063/1.4992835
  44. Hassan U, Singhal A. Convolutional neural network framework for EEG-based ADHD diagnosis in children. Health Inf Sci Syst. 2024;12(1):44. https://doi.org/10.1007/s13755-024-00303-x
  45. Jeong T, Park U, Kang SW. Novel quantitative electroencephalogram feature image adapted for deep learning: verification through classification of Alzheimer’s disease dementia. Front Neurosci. 2022;16:1033379. https://doi.org/10.3389/fnins.2022.1033379

Перепечатки и разрешения

Теги

Биомаркеры электроэнцефалографиислучайный лесболезнь Альцгеймералобно-височная деменцияспектральная плотность мощностипоказатели энтропииЭЭГ в состоянии покояабляция признаков
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.