Araştırma makalesi

Alzheimer hastalığı ve fronto-temporal demansın sınıflandırılması için benzersiz bir EEG-hyfusion tam otomatik yığınlı model

DOI:

10.3791/69762

⸱

13 Şubat 2026

 , 
1Computer Science and Engineering, Presidency University, Bangalore

Bu makalede

Düzeltme bildirimi

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

Özet

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

Bu makale, Alzheimer hastalığı, frontotemporal demans ve Sağlıklı sınıfları insan müdahalesi gerektirmeden ayırt etmek için Nyquist-shift geliştirme ve makine öğrenimi topluluk modellerini içeren otomatik bir özellik çıkarma hattı sunmaktadır.

Özet

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

Alzheimer hastalığı (AD) ve fronto-temporal demans (FTD), hafıza, bilişsel fonksiyon ve yürütücü işlemciliği zayıflatan yaygın nörodejeneratif bozukluklardır. Bu çalışmanın amacı, Alzheimer hastalığını erken aşamada herhangi bir klinik müdahale gerektirmeden tahmin etmek için tam otomatik bir makine öğrenimi hattı geliştirmektir. Bu metodoloji, ince nöroaktivite değişimlerinin nicel analizini önerir. Amaç, hastaları AD, FTD ve Sağlıklı Kontrol gruplarına sınıflandıran güvenilir ve tam otomatik bir sistem geliştirmek, böylece insan müdahalesi veya klinik değerlendirme ihtiyacını ortadan kaldırmaktır. Sistemin önemli yeniliklerinden biri, sinyal işleme yaklaşımı ve otomatik özellik hattındadır. Özellikle, Nyquist frekansının stratejik modifikasiyası, çok alanlı EEG özellikleri ve demografik verileri bütünleyen hibrit bir füzyon katmanıyla birlikte EEG sinyal çözünürlüğünü artırmak için kullanılır. Sonrasında, iki yönlü ANOVA tabanlı özellik seçimi bu hibrit seti geliştirir. Bu geliştirme, daha etkili özellik çıkarımı sağlar ve daha yüksek sınıflandırma doğruluğuna katkıda bulunur. Önerilen yöntemde, eğitim veri setini zenginleştirmek için frekanslar epoch edilmiştir. Ve böylece standart rastgele orman modeli %99,72 eğitim doğruluğu sağlar. Yöntemin sağlamlığını ve genellenebilirliğini sağlamak için hibrit bir füzyon modeli önerilmektedir.

Giriş

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

Alzheimer hastalığının yaygın belirtileri hafıza kaybı, bilişsel bozukluk, uykusuzluk, kafa karışıklığı, yön karamsallığı, kişilik değişiklikleri vb. Bu nedenle, erken tahmin işlemleri, hastaların en kötü seviyelere düşmemesini ve 7/24 yardıma ihtiyaç duymalarını sağlayabilir. Bu hastalığı teşhis etmek içinMRI 1, BT,PET 2 ve EEG3 gibi çeşitli yöntemler vardır. Özellikle, EEG sinyalleri MMSE ile birlikte Alzheimer hastalığının tahmininde invaziv olmayan bir yöntem olduğu kanıtlanmıştır. EEG sinyal frekansları alfa, beta, theta, gamma ve delta olarak çeşitlendirilir. Bir alfa dalgası, bir kişi rahatlamış durumdaykenalgılanır 3. Alfa dalgalarının frekansı 8 ila 12 Hz4 arasında değişir. Beta dalgaları beynin uyarı aşamasında aktiftir ve 13 ila 30 Hz4 arasında değişir. Teta ve delta dalgaları sırasıyla uyku ve derin uyku hallerinde aktiftir. Frekans aralıkları theta (4-7 Hz) ve delta (< 3.5 Hz) [4]'tir. Geleneksel tanı yöntemleri, MMSE gibi görüntüleme ve klinik değerlendirmelere dayanır; bunlar genellikle öznel ve maliyetlidir; EEG sinyalleri ise beyin aktivitesini gerçek zamanlı olarak yakalar ve etkili alternatifler sunar.

Bu araştırma, yalnızca EEG sinyallerini giriş olarak alan, klinik puanlama ihtiyacını aşan tamamen otomatik bir tanı hattı önermektedir. Bu dalgaları beyinden çıkarmak için çeşitli yöntemler kullanılabilir. Nyquist frekansını dikkate alan bir bant geçişli filtre, EEG frekanslarını çıkarmak için kullanılan bir yöntemdir. Nyquist frekansı, önceden işlenmiş sinyallerde daha iyi netlik sağlamak için örnekleme frekansını yarıya indirir. Bu nedenle, EEG testi Mini-Mental Durum Muayenesi (MMSE) ile birleştiğinde, nörologlar tarafından Alzheimer hastalığının (AD) çeşitli evrelerini değerlendirmek için kullanılan bir yöntemdir. Avrupa Nöroloji BilimcileriFederasyonu, bu hastalığın çeşitli sınıflarının teşhisi için yönergeler oluşturmuştur.

Bu makale, Alzheimer hastalığı (AD), fronto-temporal demans (FTD) ve sağlıklı bireyleri (kontrol kategorisi) geniş bir şekilde sınıflandırmaktadır. Fronto-temporal demans, insan beyninin sadece ön kısmı ve temporal lobunun etkilendiğibir durumdur 6,7. Şekil 1, fronto-temporal Demans'ta (FTD) tipik olarak etkilenen beyin bölgelerini, frontal ve temporal loblar dahil olmak üzere göstermektedir. Bu çalışmada, EEG sinyalinden elde edilen zaman alanı ve frekans alanı özellikleri demografik özelliklerle birleştirilmiştir. Makine öğrenimi çerçevesinin nesnelliğini ve özerkliğini sağlamak için, Mini-Mental Durum Sınavı (MMSE) puanı kasıtlı olarak özellik setinden çıkarılmıştır. MMSE, bilişsel değerlendirme için yaygın kullanılan bir klinik metrik olmasına rağmen, klinisyenin değerlendirmesinden doğası gereği etkilenir ve sınıflandırma görevlerinde baskın bir önyargı oluşturur. MMSE'yi çıkararak, önerilen yöntem, öznel klinik girdilerden bağımsız çalışabilen kendi kendine yeten, veri odaklı bir tanı modeli geliştirmeyi ve böylece tamamen otomatik, yapay zeka tabanlı tarama araçlarının gelecekteki geliştirilmesini desteklemeyi amaçlamaktadır. MMSE puanı hariç son özellikler etiketlenmiş ve önerilen EEG-hyfüzyon modeline sunulmaktadır. Detaylar Protokol bölümünde açıklanmıştır.

Literatür araştırması

Elektroensefalografi (EEG), nörolojik hastalıkların erken teşhisi için invaziv olmayan, maliyet etkin bir araç sunar. EEG özellik çıkarımı ve Frekans Bant Analizi, sinirbilim ve klinik araştırmalarda önemli bir modalite olarak ortaya çıkmıştır ve çeşitli bilişsel ve patolojik durumlar arasında beyin aktivitesi hakkında içgörüler sunmaktadır. EEG verilerini analiz etmek için makine öğreniminden yararlanmak son yıllarda ivme kazanmıştır; bilişsel durum izlemeden Alzheimer hastalığı gibi nörolojik bozuklukların erken teşhisine kadar uzanan uygulamalar bulunmaktadır. Bu literatür incelemesi, EEG özellik çıkarılması, sınıflandırması ve model geliştirme ile ilgili mevcut araştırmalarda önemli katkıları ve eksiklikleri vurgulamaktadır.

EEG sinyalinde bilişsel önem

Subha ve ark.8 , EEG sinyallerinin durağan olmayan doğasını verimli bir şekilde yakalayan zaman frekansı alanı özelliği olan RMS'yi vurgulamış olsalar da, çalışmaları herhangi bir model oluşturma sürecini başlatmamıştır. Bu nedenle, bu çalışma hastalığın ne kadar doğru teşhis edilebileceğini belirlemek için makine öğrenimi modelleri önerdi.

Barry ve ark.9, EEG frekans bantları ile bilişsel durumlar arasındaki ilişkiyi göstererek, belirli frekans bantlarını (örneğin, alfa dalgaları) gevşeme ve dikkat ile ilişkilendirdi. Buzsáki 10 , sinir salınımlarının fizyolojik önemini ve beyin fonksiyonlarındaki rolünü inceleyerek EEG çalışmalarında frekansa özgü analizlerin faydasını vurguladı. Frekans bandı analizi iyi kurulmuş olsa da, özellikle yüksek boyutlu veri setlerinde verimli ve ölçeklenebilir özellik çıkarma boru hatlarına olan ihtiyaç odak noktası olarak kalmaktadır.

EEG özellik çıkarma teknikleri

Senkaya, Kurnaz ve ark.11, Alzheimer hastalığını tahmin etmek için PSD ve entropi gibi spektral özellikleri kullanmıştır. Bu spektral güçler, beyin aktivitesinin yavaşlamasını daha doğru şekilde yakalamaya yardımcı olur. 11 çalışmada spektral özellikleri etkili bir şekilde ele almış olsa da, RMS gibi zaman alanı özelliklerini içermemiştir. Bu nedenle, bu çalışma alfa, beta, gamma, theta ve delta gibi frekanslardan çıkarılan zaman alanı özelliklerini önermektedir.

Luck ve ark. ile Kappenman ve ark.12 , dikkat ve çalışma hafızasının EEG biyobelirteçlerini inceleyerek bilişsel durum ayrımcılığında frekans bandı özelliklerinin önemini vurguladılar. Cassani ve ark.13 , EEG'yi Alzheimer hastalığı için tanı aracı olarak incelemiş, bilişsel düşüşün sinir imzalarını belirlemek için frekans bandı özelliklerini kullanmıştır. Michel ve Murray14 , bilişsel süreçleri ve sinirsel bağlantıyı anlamada çok kanallı EEG analizinin faydasını tartışarak makine öğrenimi uygulamalarının temelini oluşturdu. Bu gelişmelere rağmen, otomatik özellik çıkarma boru hatlarının Random Forest ve XG-Boost gibi ölçeklenebilir makine öğrenimi modelleriyle entegrasyonu hâlâ az araştırılıyor. Mevcut literatür, bilişsel ve klinik uygulamalar için frekans bandı analizini makine öğrenimi teknikleriyle birleştirmeyi vurgulamaktadır.

Demans sınıflandırması için makine öğrenimi ve hibrit füzyon modelleri

Makine öğrenimi modelleri, özellikle XGBoost gibi topluluk tabanlı yöntemler, EEG türetilmiş özellikleri sınıflandırmada umut vaat etmiştir15. Bu modeller, EEG sinyallerinin karmaşıklığını ve değişkenliğini, giriş özellikleri ile çıkış etiketleri arasındaki doğrusal olmayan ilişkileri öğrenerek ele alır. 15. çalışma uygun bir model önermiş olsa da, doğruluk puanı zayıflamıştır.

Craik ve ark.16 , EEG analizi için derin öğrenme ve geleneksel makine öğrenimi modellerinin kapsamlı bir incelemesini sunmuş, yapılandırılmış verilerde gradyan artıran çerçevelerin başarısını vurgulamıştır. Abiri ve ark.17 , XG-Boost'u beyin-bilgisayar arayüzü uygulamaları için EEG verilerine uygulamış ve özellik yedekliliği ile gürültüyü yönetme yeteneği sayesinde sağlam sınıflandırma performansı elde etmiştir. Aghababaei ve ark.18 , EEG tabanlı duygu tanıma görevlerinde XG-Boost dahil topluluk yöntemlerinin kullanıldığını göstererek, geleneksel yaklaşımlara göre doğruluk ve genelleme artışlarını bildirdiler. Ancak, dengesiz veri setleri, belirli sınıfların yetersiz temsil edilmesi ve makine öğrenimi modellerinin yorumlanabilirliği gibi zorluklar devam ediyor ve model optimizasyonu ve düzenleme teknikleri üzerine daha fazla araştırma gerektiriyor.

Zheng ve ark.19 , dinlenme halinde, gözleri kapalı EEG (19 kanal) kullanarak zaman-frekans fonksiyonel bağlantı ölçümlerini hesapladı ve makine öğrenimi sınıflandırıcılarını AD, FTD ve sağlıklı kontrolleri ayırmak için eğitti. Ancak, sinyal temsilini artıran ve sağlam topluluk sınıflandırması sağlayan yöntemlere olan ihtiyacı vurguladılar.

EEG tabanlı sınıflandırma, bilişsel sinirbilim ve klinik alanlarda yaygın olarak uygulanmıştır. Önceki çalışmalar makine öğrenimi tabanlı EEG analizi için güçlü bir temel sağlasa da, birkaç eksik kalmıştır. Birçok çalışma, el yapımı özelliklere (örneğin RMS, PSD) dayanır; bu özellikler tüm ilgili bilgileri yakalamayabilir. Otomatik özellik mühendisliği ve derin öğrenme yöntemleri, geleneksel yaklaşımları tamamlayabilir.

EEG veri setlerindeki dengesizlik, özellikle çok sınıflı ortamlarda, sınıflandırma sonuçlarını sıklıkla çarptırır. Sınıfa özgü ağırlıklandırma ve veri artırma gibi stratejiler, temsil edilmeyen sınıflar için performansı artırabilir. Ancak, özellik çıkarımı ve model sınıflandırmasını entegre eden verimli, yorumlanabilir ve genelleştirilebilir boru hatlarına ihtiyaç hâlâ devam etmektedir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Önerilen yöntem, spektral çözünürlüğü artırmak için EEG sinyallerini stratejik olarak frekans alanına segment eder. Daha sonra, yakalanan EEG sinyalleri, zamansal çözünürlüğü ve özellik hesaplamasında tutarlılığı artırmak için 10 segmente ayrılır. Önerilen yöntem, türetilmiş EEG özellikleri üzerine RF, XGBoost ve SVM tabanlı bir sınıflandırıcı uygular ve böylece EEG analizi için sağlam ve ölçeklenebilir yöntemlerin geliştirilmesine katkıda bulunur. Belirli hiperparametre değişikliklerine sahip RF modeli, diğer standart modeller arasında en iyi performans gösteren model olduğunu kanıtlamıştır. Bu nedenle, tahmin doğruluğunu daha da artırmak için RF ve XG-Boost'u birleştiren hibrit, birleşmiş, üst üste yığılmış bir metaöğrenici modeli önerilmiştir.

Bu yöntemde kullanılan veri seti, kurumsal etik standartlara uygun olarak toplanmıştır. Veri seti sağlayıcıları, veri ediniminden önce katılımcılardan onay almıştır.

1. Veri seti spesifikasyonu

Sistemin dayanıklılığını kanıtlamak için iki veri seti kullanılmıştır. İlk veri seti, EEG verideposu 20'den toplanmıştır; 88 katılımcıdan oluşuyordu; dinlenme durumu göz kapalı durumda, 36'sı AD, 23'ü FTD ve 29'u sağlıklıydı. EEG kayıtları, uluslararası 10-20 montajının ardından 19 kanallı bir sistem kullanılarak dinlenme halinde, gözleri kapalı halde alındı. Şekil 2'de gösterilen veri setinde, tüm sinyaller 500 Hz'de örneklenmiş ve veri seti katkı sağlayıcıları tarafından ön işlem yapılarak BIDS formatında sağlanmıştır.

İkinci veri seti, dinlenme durumunda 35 katılımcıdan oluşan harici bir kamudeposundan toplanmıştır. Bunlardan 13'ü Alzheimer hastalığı (AD) tanısı almıştır, 7'si hafif bilişsel bozukluk (MCI) hastasıdır ve 15'i sağlıklı yaşlıdır. Yalnızca ikinci veri setinin dinlenme durumu temel segmentleri ilk veriseti 20 ile tutarlılığı korumak için kullanıldı. İkinci veriseti 21 , Şekil 3'te belirtildiği gibi tam bir ön işleme boru hattı gerektiriyordu.

2. Ön İşleme

Mevcut çalışmalar, kas hareketlerini kaldırmak için karmaşık ön işleme boru hatlarına, manuel eser düzeltme adımlarına veya ICA-ASR'ye büyük ölçüde dayanır; bu da rutin klinik iş akışlarında tekrarlanabilirliği sınırlar. Bu sınırlamaları gidermek için, önerilen ürün hattı, hesaplama açısından yoğun eser kaldırma prosedürlerini ortadan kaldıran ve bunun yerine kontrollü filtreleme, dönem segmentasyonu ve frekansa özgü özellik hesaplamasına odaklanan sadeleştirilmiş sadece EEG yaklaşımına odaklanıyor.

  1. EEG dosya sıralaması
    Ön işlemeden önce, tüm EEG dosyaları katılımcı ve oturum bazında tutarlılık sağlamak için otomatik olarak sıralanıyordu. Bu, özellik çıkarma, dönem belirleme ve etiket hizasının tüm konularda eşit olmasını ve dosya uyumsuzluğunun önlenmesini sağladı. Bu adım, Şekil 3'te "EEG dosyasını Sıralama" olarak gösterilmiştir. Tüm ön işleme standart açık kaynak EEG işlem araç seti kullanılarak yapılır.
  2. Bant geçişli filtreleme ve yeniden referans
    Butterworth bant geçiş filtresi, ilgili EEG bileşenlerini korumak ve kaymayı ve yüksek frekanslı gürültüyü azaltmak için 0,5-40 Hz aralığında uygulanmıştır. Sinyaller tüm EEG kanallarının ortalamasına yeniden referans verildi, böylece mekânsal yanlımlık en aza indirildi ve sinyal-gürültü oranı artırıldı.
  3. Nyquist frekans kaydırması
    Düşük frekanslı bileşenlerin çözünürlüğünü artırmak için, örnekleme frekansını 500Hz'den 250Hz'ye yarıya indirerek Nyquist-kaydırma geliştirmesi uygulandı. Yukarıdaki adımı takip ettiğinizde, Nyquist modifikasyonu onu 125Hz'e düşürür. Delta, Theta, Alpha, Beta ve Gamma frekansları 0.5-40 Hz arasında değişen yavaş dalgalar olduğundan, bu etkili Nyquist sınırını kaydırır ve demans için ilgili düşük frekanslı salınımların netliğini artırır. Bu modifikasyon, yavaş beyin dalgalarını daha uygun şekilde yakalamaya yardımcı oldu. Denklem (1) Nyquist ilacının sonucunu net bir şekilde gösterir.
    Förnekleme= 500 Hz
    Nörnekleme= Förnekleme/2
    Nnyquist= Nörnekleme/2 (1)
    Nnyquist'in çalışma hızı değil, sadece maksimum temsil edilebilir frekans olduğunu ve bu nedenle dönem segmentasyonunu etkilemediğini belirtmek önemlidir. Bu, sadece teorik bir sınırdır ve ilgi çekici frekans içeriğinin (0.5-40 Hz) tamamen korunmasını garanti etmek için kullanılır.
  4. 10 segmente kadar epoch örnekleme frekansı
    EEG kayıtları 10 eşit uzunlukta segmente ayrılmıştır. Bu adım, EEG sinyalinin zaman içinde sabit olmayan aktivitesini yakalamak için gereklidir. Kısa, uniform segmentler, banda özgü özelliklerin kararlı hesaplanmasını sağlar ve makine öğrenimi sınıflandırması için eğitim örneklerini zenginleştirir. Bu nedenle saniyede 250 örnek 10 = 2500 örnek × 2500 olur. Son olarak, her konu için 10 eşit uzunlukta dönem analiz stratejileri için alınır. Bu analiz stratejisi, 88 gerçek katılımcı için 880 örneklem oluşturdu.

    Dönem bazında analiz gerekliliği, beyin sinyal değişikliklerini çok dikkatli izlemektir; böylece modele aşırı uyumu öğrenmek ve önlemek için bolca zamansal veri sağlanır. Bu yaklaşımın önemi, daha ince taneli EEG dönem verilerini sağlamaktır; böylece toplam özellik değerlerinden ödün vermeden daha yüksek zamansal çözünürlük gerektiren analizleri kolaylaştırır. 10 saniyelik dönemler üreterek, metodoloji EEG dinamiklerinin daha iyi modellenmesini destekler ve EEG analiz protokollerindeki standart dönem süreleriyle uyum sağlar.

3. Özellik çıkarımı

Önceden işlenen EEG sinyalleri özellik çıkarma yöntemlerine aktarılır. EEG sinyalleri bant geçişli olarak 5 standart frekans bandına filtrelenir: Delta (0.5-4 Hz), Theta (4-8 Hz), Alfa (8-13 Hz), Beta (13-25 Hz) ve Gamma (25-40 Hz).

Her filtrelenen sinyal için, tüm EEG kanallarında Kök Ortalama Kare (RMS) değeri hesaplandı. RMS'nin matematiksel formülasyonu Denklem (1)'de verilmiştir:

RMS = figure-protocol-1    (1)

Burada, xi , i. zaman örnekindeki EEG sinyal genliğidir. N, sinyal segmentindeki toplam örnek sayısıdır.

RMS, her frekans bandındaki titreşim aktivitesinin enerjisini nicelikle ölçebilme yeteneği nedeniyle birincil özellik olarak seçilmiştir. Alzheimer hastalığı genellikle artan delta ve theta aktivitesi ile azalan alfa ve beta aktiviteleriyle ilişkilidir. Fronto-temporal demans (FTD), bu bantlar üzerinde belirgin desenlergösterebilir 20,21. PSD matematiksel olarak RMS için gereksiz olduğundan, bir özellik olarak kabul edilmez. Kompakt bir veri setini korumak için, Hjorth ve Entropy gibi kalan özellikler hariç tutulur.

4. Hibrit füzyon

Çıkarılan zaman alanı RMS özellikleri, bant geçirimli filtrelemeden alınan frekans alanı özellikleriyle birleştirilerek model girişi için hibrit bir alan haline getirildi. Derleme detayları Şekil 3'te gösterilmiştir. Son normalize veri seti, katılımcıları temsil eden satırlar ve yaş, cinsiyet ve grup gibi zaman frekansı bant özellikleri ile demografik özellikleri temsil eden sütunlardan oluşan tablo formatında düzenlenmiştir. Şekil 2'de gösterilen boru hattı, Alzheimer araştırmaları için ilgili EEG özelliklerini verimli bir şekilde çıkarır. Çıkarılan özellikler, anahtar frekans bantları içindeki sinirsel aktivite hakkında içgörüler sağlar ve makine öğrenimi ile istatistiksel analiz için kullanılabilir.

5. Özellik Seçimi

Modelin performansını artırmak ve özellik boyutluluğunu azaltmak için 2 yönlü Varyans Analizi (ANOVA) tabanlı bir yaklaşım uygulandı. ANOVA tabanlı seçim, Grup ve yaş bağımsız faktörler olarak, RMS frekans bantları ise bağımlı özellikler olarak uygulandı. Bu analiz, Grup, Yaş ve Yaş-Grup etkileşiminin her bir özellik üzerindeki etkilerini değerlendirdi. En az bir faktör için p-< 0.05 olan özellikler daha fazla sınıflandırma için seçildi. Detaylı ANOVA-tabanlı sonuçlar sonuçlar bölümünde gösterilmiştir. Bu özellikler, sınıflandırma için en bilgilendirici değişkenler olup, nihai öngörücü modelin doğruluğunu ve genelleştirilmesini artırmaya yardımcı oldu. ANOVA testi sonucunda, model oluşturma için yalnızca en bilgilendirici özellikler seçildi. Ve ek sayısal olmayan özellikler olan Cinsiyet ve participant_id analizden çıkarıldı. Hedef değişken Grubu sınıflandırma için etiket kodlanmıştır.

6. Model tanımı

Hastalığı Alzheimer, Kontrol ve Frontal demans olmak üzere üç sınıfa ayırmak için XG-Boost, Random Forest, Support Vector Machine SVM ve bir Stacked model gibi üç denetli makine öğrenimi modeli oluşturuldu. Bahsedilen modellerin tamamı eğitim veri setinin %70'ini ve test veri setinin %30'unu kullanmıştır. Her model, sağlık veri analizindeki kanıtlanmış performansı ve doğrusal olmayan ve yüksek boyutlu özellik alanlarını yönetme yeteneği nedeniyle seçildi. Modelin değerlendirilmesi, modelin genellenebilirliğini değerlendirmek için doğrulama veri seti üzerinde gerçekleştirildi.

Model performansı, gerçek pozitif (TP), yanlış pozitif (FP), gerçek negatif (TN) ve yanlış negatif (FN) içeren bir karışıklık matrisi kullanılarak değerlendirildi. Performans metrikleri arasında doğruluk ve her sınıf için hassasiyet, hatırlama ve F1 puanlarını detaylandıran bir sınıflandırma raporu yer alıyordu. Aşağıdaki Denklem performans metriklerini göstermektedir.

figure-protocol-2    (2)

figure-protocol-3    (3)

figure-protocol-4    (4)

figure-protocol-5(5)

1. XG-Boost sınıflandırıcı

Bu yöntem, çıkarılan özelliklerden EEG türetilmiş bilişsel durumları tahmin etmek için XGBoost algoritmasını kullanarak çok sınıflı bir sınıflandırma modeli uyguladı; bu model, Şekil 3'ün 1. çıktısında gösterilmiştir. Çıkış 1 RMS özellikleri ve MMSE puanını içerir. XGBoost modeli geliştirilirken, RMS özelliklerinin doğrusal olmayan davranışını test etmek için MMSE puanı dahil edilmiştir. Sistem geliştirme için bir kıyaslama ve temel olarak kullanılır. MMSE, tamamen otomatik, klinisyenden bağımsız bir sistem hedefini karşılamak için sonraki aşamalarda hariç tutuldu.

XG-Boost, verimlilik ve doğruluk için optimize edilmiş bir gradyan artırma çerçevesidir ve sınıflandırma görevlerinde yapılandırılmış verilerin işlenmesi için oldukça uygundur. Az sayıda hiperparametre, çapraz doğrulama ve ızgara arama gibi tekniklerle EEG veri setinde ayarlanır. Aşağıda tanımlanan ana parametre değerleri, aşırı uyumu düzenleme yoluyla kontrol etmek ve EEG özelliklerinin karmaşıklığını çok karmaşık olmadan yakalamak için seçilmiştir.

Modelin Ana Parametreleri şunlardır: (1) Maksimum Ağaç Derinliği = 8, karar ağaçlarının derinliğini sınırlayarak aşırı uyumu azaltır ve genellemeyi artırır. Çünkü sığ bir ağaç gereksiz bilgileri gözden kaçırır, çünkü daha derin bir ağaç fazla sığabilir. (2) L2 Düzenleme (λ = 10), model karmaşıklığını kontrol ederek aşırı uyumu en aza indirmek için büyük katsayılar için ceza getirir. (2) L1 Düzenleme (α = 5) modelde ek seyreklik sağlamak ve yorumlanabilirliği ve dayanıklılığı artırmak için eklenmiştir. Tahmin Ediciler sayısı (n_estimators=8), performans dengesi sağlarken hesaplama verimliliğini korumak için güçlendirme yineleme sayısını sınırladı.

2. Rastgele Orman sınıflandırıcısı

Random Forest, rastgele veri ve özellikler alt kümeleri üzerinde birden fazla karar ağacı oluşturan ve nihai tahmin için çıktılarını toplayan bir topluluk sınıflandırıcıdır. Gürültüye dayanıklılık sunar, doğrusal olmayan verileri iyi işler ve çeşitli ağaç tahminlerinin ortalamasını alarak aşırı uyumu azaltır. Bu çalışmada, Rastgele Orman modeli, deneme-yanılma yöntemiyle anahtar parametrelerle yapılandırılmıştır. Bu parametreler aşağıda açıklanmaktadır:
1) n_estimators=100
Ormandaki karar ağaçlarının sayısını sınırlamak için seçilmiştir. Ağaç sayısı arttıkça, genelleme o kadar iyi ve tahminler o kadar kararlıdır.
2) max_depth=10
Her ağacın maksimum derinliğini gösterir. Ağacın derinliği düşükse, uyum yetmezliği ihtimali vardır. Yüksek derinlik detayları yakalayıp eğitim verilerini ezberleyebilirken, aşırı uyum sağlayabilir. Bu nedenle, özellikle EEG gibi gürültülü veya karmaşık sinyaller için 10 seçmek ideal bir noktadır.
3) random_state=40
Bootstrap örnekleme ve Ağaç inşası için kullanılan rastgele sayı üretim tohumunu düzeltir. Bu, tekrarlanabilirliği sağlar
4) n_jobs=-1
n_jobs değerini -1'e ayarlayarak, model tüm CPU çekirdeklerini verimli bir şekilde kullanıyor.

7. Destek Vektör Makinesi (SVM)

Support Vector Machine, ikili ve çoklu sınıflandırma22'de doğrusal performansıyla bilinen bir marj tabanlı sınıflandırıcıdır. Bu model, doğrusal olmayan EEG sinyallerini yakalama yeteneği nedeniyle radyal baz fonksiyon çekirdeği kullanmıştır. Ancak, model muhtemelen özellik ölçeklendirme eksikliği ve sınırlı veri seti boyutu nedeniyle düşük performans sergiledi. SVM teorik olarak güçlü olsa da, hiperparametre ayarlamasına ve veri dağılımına duyarlılığı, ağaç tabanlı modellere kıyasla gözlemlenen daha düşük doğruluğu açıklayabilir.

8. Önerilen HY-füzyon modeli

Random Forest modeli yüksek hassasiyet sağlamış olsa da, genellenebilirlik ve ölçeklenebilirlik sağlamak için Random Forest ve XG-Boost ile üst üste bir model oluşturulmuştur. Çıktı, lojistik regresyon modeline girdi olarak aktarılır. Ve lojistik regresyon bir metaöğrenici olarak işlev görür. Modelin mimari diyagramı Şekil 4'te verilmiştir.

Girdi20'nin 1. setiyle birlikte, üst üste yığılmış model ikinci veriseti 23'ten de girdi alıyordu. Mendely21'den alınan veri seti, RMS çıkarıp 10 saniyeye kadar epoşlanarak modele göre anlaşılabilir bir forma önceden işlenir. Her modelin elde ettiği sonuçlar sonuçlar bölümünde gösterilmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Epoch yönteminin gücünü haklı çıkarmak için, RF modelinin performansı veri seti epoch edilmeden karşılaştırılır. Epoched olmayan durumda, tüm sürekli kayıttan özellikler çıkarılıp RF modeline verildi. Epoching olmayan sinyal %53 isabetlilik sağladı. Bu, epoching'in model oluşturma için daha kararlı ve bilgilendirici bir yöntem sağladığını gösterir. Bu nedenle, p < 0.05 olan ANOVA tabanlı özellikler anlamlı olarak kabul edilir. Örneğin, alpha_rms anlamlı bir Grup etkisi gösterdi (p = 9.00...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Bu önerilen çalışmada, Hy-Fusion stacked mimarisinin kullanılmasının motivasyonu, RF gibi ağaç tabanlı öğrenicilerin tamamlayıcı güçlü yönlerini birleştirmek ve lojistik regresyon meta-öğrenicisi aracılığıyla tahmin varyansını azaltmaktır. Üst üste yığma stratejisi, temel öğrenenlerin farklı tümevarımsal önyargıları ve hata kalıpları olduğunda yaygın olarak benimsenir. Meta-öğrenen, temel sınıflandırıcıların sistematik hatalarını düzeltmeyi ve daha kalibre edilmiş topluluk çıktıları üret...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarlar, bu yayın için ilan edilecek bir çıkar çatışması olmadığını doğrulamaktadır.

Teşekkürler

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

Yazarlar, editörü ve anonim eleştirmenleri, kaliteyi iyileştirmeye yardımcı olan yorumları için teşekkür etmek ister. Bu araştırma, kamu, ticari veya kar amacı gütmeyen sektörlerdeki finansman kuruluşlarından özel bir hibe almamıştır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Bandpass filtering toolsMNE-PythonBuilt-in filtersÖn işlem için kullanılır
Computer workstation—Windows/LinuxAnaliz hesaplaması
EEG Acquisition SystemVeri seti oluşturucuları tarafından sağlanır—Yazarlar tarafından kullanılmaz (veri seti sağlanmıştır)
Epoching functionsMNE-PythonBuilt-in functionsSegmentasyon için kullanılır
GitHub or Google Drive——Kod/veri depolama
Google ColabGoogleOnlineCloud computing ortamı
MATLAB (signal checkleri için kullanılır)MathWorksR202xOpsiyonel
Mendeley EEG DatasetMendeley DataDış doğrulama veri seti
MNE-Pythonhttps://mne.toolsv1.xEEG ön işleme/analizi
NumPyNumPy developersEn yeniDizi hesaplaması
OpenNeuro EEG DatasetOpenNeurods004504 (v1.0.8)AD/FTD/HC EEG için birincil veri seti
PythonPython Foundationv3.10+Programlama ortamı
scikit-learnsklearn developersv1.xMakine öğrenimi modelleri
SciPySciPy developersEn yeniSinyal işleme

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Düzeltme

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

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

Etiketler

EEG S n fland rmasOtomatik Makine renimiSinyal lemeznitelik kar mHibrit F zyon ModeliNyquist FrekansRastgele Ormanki Y nl ANOVA

İlgili makaleler