基于可穿戴脑电的自驱动阿尔茨海默病多类判别方法的初步评估

生物医学中的计算机方法和程序220（2022）106841一种基于可穿戴脑电的自驱动阿尔茨海默病多类判别方法Eduardo Perez-Valeroa，c， Miguel Ángel Lopez-Gordob，c， Cristian Morillas Gutiérreza，c，放大图片作者：Ismael Carrera-Muñozd. 维尔切斯-卡里略da西班牙格拉纳达大学计算机体系结构与技术系b西班牙格拉纳达大学信号理论、电信和通信系c西班牙格拉纳达大学信息和通信技术研究中心脑机接口实验室d西班牙格拉纳达Virgen de las Nieves大学医院神经科，认知神经学Ar ticlei n f o ab st ract文章历史：2022年2月15日收到2022年3月25日修订2022年4月25日接受关键词：阿尔茨海默病脑电自动检测机器学习早期发现对控制阿尔茨海默病（AD）的进展和延缓认知能力下降至关重要传统的医疗程序，如磁共振成像是昂贵的，涉及漫长的等待名单，并需要复杂的分析。或者，在过去的几年里，研究人员已经成功地评估了基于机器学习和脑电图（EEG）的AD检测方法。然而，这些方法经常依赖于手动处理或涉及非便携式EEG硬件。这些方面对于自动诊断来说是次优的，因为它们需要额外的人员并且妨碍便携性。在这项工作中，我们报告了一个自驱动的AD多类歧视的方法的基础上，使用16个通道的商业EEG采集系统的初步评估。为此，我们记录了三组参与者的EEG：轻度AD，轻度认知障碍（MCI）非AD和对照组，我们实现了一个自驱动的分析管道来区分这三组。首先，我们将自动伪影抑制算法应用于EEG记录。然后，我们提取功率，熵，和复杂性的特征，从预处理的时代。最后，我们使用多层感知器通过leave-one-subject-out交叉验证评估了多类分类问题。我们获得的初步结果与文献中的最佳结果（0.88 F1分数）相当，这表明AD可以通过基于商业EEG和机器学习的自驱动方法进行检测。我们相信，这项工作和进一步的研究可能有助于在一次咨询会议中打开AD检测的大门，从而降低与AD筛查相关的成本，并潜在地促进医学治疗。© 2022作者（S）。由Elsevier B. V.发布。这是一个CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）1. 介绍术语痴呆是指一组以认知功能进行性丧失为主的神经病理学[1]。在这些病理中，阿尔茨海默AD患者经历认知领域如推理、记忆和定向的下降。虽然这种疾病在1906年首次被观察到，但其病因仍然不清楚，并且只能在脑尸检后才能确定诊断。尽管如此，研究人员已经确定了两个主要的霍尔马克，开始形成之前，损害是显着的：艾米-∗通讯作者。电子邮件地址：malg@ugr.es（M.Á.Lopez-Gordo）。类斑和神经纤维缠结[3，4]。淀粉样斑块是蛋白质的沉积物，失去了它们的标准结构并聚集在神经元周围。或者，神经原纤维缠结是环绕神经元核的增厚的原纤维。在这种背景下，轻度认知损害（MCI）被认为是正常衰老和AD之间的过渡阶段。MCI患者会出现轻微的记忆丧失，但不会影响他们的日常生活活动。然而，先前的研究发现MCI患者比同龄健康个体更快地发展为AD[5]。因此，早期发现对于控制疾病进展和延缓智力下降至关重要[6]。AD检测技术的目的是揭示疾病产生的齿轮和物理效应。传统上，这是通过神经心理学测试和医疗程序来完成的。神经心理学测试是一种评估，https://doi.org/10.1016/j.cmpb.2022.1068410169-2607/© 2022作者。由Elsevier B. V.发布。这是一个CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）目录可在ScienceDirect生物医学中的计算机方法和程序期刊主页：www.elsevier.com/locate/cmpbE. Perez-Valero，M.Á.Lopez-Gordo，C.M.古铁雷斯等人生物医学中的计算机方法和程序220（2022）1068412评估AD课程中受影响的智力区域，如认知、定向和语言。然而，以前的工作报告了它们缺乏灵敏度和高可变性[7，8]。另一方面，医疗程序旨在揭示特定大脑区域产生的物理损伤。其中，脑脊液（CSF）分析是最可靠的，因为它允许研究与淀粉样蛋白斑块和神经纤维缠结相关的生物标志物[9]。然而，这种液体是通过腰椎穿刺获得的，这是一种昂贵且侵入性的医疗程序，并非对所有患者都可行。相反地，医学成像技术使得能够表示大脑的静态和功能图像。这些图像使用不同的程序绘制，例如磁共振成像（MRI）[10]、正电子发射断层扫描（PET）[11]和单光子发射计算机断层扫描（SPECT）[12]。尽管这些技术是准确的，但它们缺乏时间分辨率，涉及长的等待列表，并且它们的分析是基于目视检查的。因此，这些程序代表了早期检测的不合适的替代方案或者，在过去的十年中，研究人员已经探索了使用脑电图（EEG）检测AD[13EEG是一种通过放置在头皮上的电极获取脑电信号的神经生理学技术。该技术价格低廉，便携，无创。因此，它代表了一个有前途的替代检测神经系统疾病。在这方面，研究人员最近通过EEG处理和机器学习算法的组合来接近AD检测。正如[17]的作者在其全面综述中所概述的，这些研究通常针对两个主要目标：检测AD队列和分析AD进展。检测研究试图对明确定义的临床队列（如AD和MCI）进行分类。相反，进展研究试图在纵向评估后确定转换为AD的参与者。在AD检测研究中，如本文所述，研究人员通常提取特征来表征AD对EEG活动的三种主要影响：减慢、复杂性降低和同步丧失[17这些影响使用多个特征进行量化，包括：频谱和小波分析（减慢）[21，22]，熵和信息理论（复杂性）[23-为此，在最先进的工作中考虑的通常方法阶段包括预处理、时频和非线性分析、特征提取和分类。例如，在[28]中，作者在两个二元分类任务的背景下研究了一个特征选择系统：MCI vs对照，轻度AD vs对照。他们的结果很有希望，因为他们使用同步和相对功率特征分别获得了0.95和1的分类率。类似地，[21]的作者将使用幂和一致性度量的聚类分析应用于类似的分类任务，得到的分类准确度为0.91。最近，在[29]中，作者估计了来自时间-频率图的统计系数，以执行两个分类任务：AD与对照组，以及AD与MCI，分别产生0.96和0.87的准确度。在[30]中，作者根据静息状态EEG活动评价了AD患者、额颞叶痴呆患者（FTD）和对照作者使用随机森林分类器获得FTD与对照任务的0.86准确度。或者，他们使用决策树分类器获得了AD与对照任务虽然AD进展的研究不是本研究的目标虽然我们目前的工作，但我们认为值得注意的是，在过去几年中，多项工作都集中在这个问题上。通常，这些作品的作者对处于患有AD风险的参与者进行EEG采集随访。例如，在[31]中，他们使用高密度EEG对一组MCI患者进行了初始和三个月的随访评估。然后，作者成功地应用卷积神经网络（CNN）和功率谱密度（PSD）特征对录音进行AD和MCI。他们还分析了哪些通道和频率导致AD进展更活跃。尽管深度学习算法（如CNN）已成功应用于AD队列判别和进展分析，但这些算法尚未应用于大型EEG数据集[17]。之前提到的工作试图通过二元分类来区分AD队列。相反，一些作者认为AD检测是一个三级分类问题。这种方法对于简化检测协议至关重要。第一次尝试在[32]中提出，作者提取复杂性和光谱特征，使用成对分类方法区分MCI，AD和对照。在[25]中，作者训练了一个多层感知器（MLP）来区分光谱和非线性特征的三个队列，准确度为0.63。在[33]中，作者通过深度学习解决了三类分类任务。他们提出了CNN的应用，以分类MCI患者，AD患者和对照从EEG的PSD获得的2D灰度图像。另外，尽管研究最多的三级分类任务对应于MCI vs AD vs对照，[34]的作者成功分析了轻度AD vs中度AD vs对照任务。最近，在 [35] 中 ， 作 者 提 出 了 一 种 新 的 基 于 小 波 的 分 析 ， 称 为lassogram。他们使用倒频谱和泪腺图距离特征对MCI患者、AD患者和对照组进行分类，分类准确率为0.96。同样，在[36]中，作者成功地评估了不同休息条件下的类似分类任务。一般来说，上一段所讨论的工程-成功实现了AD队列的三级分类。尽管如此，它们呈现出某些阻碍疾病的自我驱动检测的特征。例如，需要对EEG信号进行目视检查、基于硬件的伪影处理或使用需要经过培训的人员操作的临床EEG采集系统。相比之下，自我驱动的AD分类可能有助于降低与筛查相关的成本，并有助于推进医疗。在这种情况下，使用商用EEG采集设备和实现自驱动EEG处理管道可能具有加速分析、促进再现性的潜力，并且不需要操作辅助人员。考虑到这一点，在本文中，我们报告了一个完全自驱动的方法，AD三类判别的基础上，商业EEG采集设备和自驱动处理的初步结果。为了评估我们的方法，我们与Virgen de las Nievesde Granada医院（西班牙）的认知和行为神经科（CBNU）一起进行了我们使用16通道可穿戴采集设备记录了一组MCI患者、AD患者和对照组的静息状态脑活动。然后，我们通过自动独立成分分析（ICA）和自动拒绝，一个自驱动的伪影拒绝算法进行伪影拒绝。我们评估了一个多层感知器（MLP）的三个研究组通过留一个主题（LOSO）交叉验证的三类歧视。我们得到的初步结果与文献中的最佳结果相当。虽然我们考虑的样本量减少了，但我们的结果表明，AD和MCI可以使用基于商业可穿戴EEG的自驱动多类方法进行检测。从筛查方案的角度来看，这是有希望的，因为它可能能够纳入普遍存在的、负担得起的和准确的AD检测技术。尽管如此，进一步的研究必须验证这项工作中得出的结论2.材料和方法在本节中，我们回顾了研究方法的主要方面。首先，我们描述了参与这一重新-E. Perez-Valero，M.Á.Lopez-Gordo，C.M.古铁雷斯等人生物医学中的计算机方法和程序220（2022）1068413表1研究参与者的组、性别和年龄分布。年龄列包括平均年龄±标准差。组女性男性年龄MCI-非AD0672.8 ±6.5轻度AD7468.3 ±4.6控制8166.7 ±3.4搜索然后，我们公开了实验过程，并报告了我们应用的处理步骤。最后，我们描述了特征提取过程和三类分类的实现。2.1. 参与者CBNU的负责人为这项研究招募了26名参与者。表1显示了参与者的组、性别和年龄分布。标记为轻度AD和MCI-非AD的参与者是Virgen de las Nieves医院的CBNU患者这些患者通过PET-淀粉样蛋白或CSF分析进行诊断。在招募期间由两个不同的实验室进行CSF分析，患者的参考截止值由相应的实验室确定。该临界值基于AD患者与非AD患者的模型，无年龄分层。使用20号针头和注射器通过腰椎穿刺获得CSF。样品收集在聚丙烯收集管中并立即发送在实验室中，使用ELISA Innotest检测来检测-Aβ 42、总-τ和τ-磷酸化组分的终末水平。的分析结果被编码为正常或病理。由经过培训的核医学专家使用18F-阿托贝他本（FBB）分析PET-淀粉样蛋白，这些专家已经完成了经认证的PET-FBB扫描解读的学习曲线，并且对患者的临床情况不知情。他们将扫描报告为淀粉样斑块存在的阳性（灰白质对比度丧失;任何皮质目标区域的局部皮质示踪剂摄取：外侧颞叶、额叶、后扣带楔前叶或顶叶）或阴性（灰白质对比度良好;目标区域无示踪剂摄取）。两位专家对影像学结果可疑的病例进行了讨论，以达成共识。这些医学分析是在最高临床保证下进行的，我们认为它们是患者诊断的金标准。因此，我们将患者标记为轻度AD（CSF病理结果或PET阳性淀粉样斑块存在）和MCI-非AD（CSF正常结果或PET阴性淀粉样斑块存在）。其余参与者为健康年龄匹配的对照组，未报告任何神经系统疾病，也不是CBNU患者。为了进行研究，我们遵循了格拉纳达圣母大学医院伦理委员会批准的方案。此外，参与者在实验开始前签署了知情同意书，并且临床人员在整个过程中监督他们。2.2.设置和实验程序参与者参与的目的是获取我们研究的静息状态EEG活动。尽管如此，利用参与者在咨询室进行收购的事实，他们进行了由两个认知任务组成的认知测试。本工作中未报告有关此类测试的详细信息，因为它们超出了本研究的范围，并且它们不会以任何方式干扰EEG采集。Fig. 1. （左）本研究选择的电极设置。我们考虑了来自扩展的10-20国际系统的16个电极，以均匀地覆盖头皮。（右）用于EEG数据采集的多功能半干式采集系统。该系统以256 Hz的固定采样率运行，并为16个电极提供支持。在实验开始前，我们要求参与者仔细阅读并签署知情同意书。然后，我们在三个瞬间获得了他们三分钟的睁眼休息状态EEG为了防止边缘效应，我们只研究了每个录音的中间两分钟片段为了进行我们的分析，我们将与每个参与者相关的三个记录连接起来，因此，我们认为每个参与者的总EEG时间为了记录脑电活动，我们使用了Bitbrain的Versatile无线可穿戴系统。该商业设备包括工作在256 Hz的蓝牙采集模块和具有半干电极的EEG耳机。对于电极设置，我们考虑了位于扩展的10-20国际系统的位置Fp 1、Fp 2、F5、Fz、F6、T7、T8、C3、Cz、C4、P5、Pz、P6、O 1、Oz和O2处的16个我们选择了这种传感器蒙太奇，以均匀地覆盖头皮，遵循类似研究的设置[21，37，38]。图1显示了本研究中选择的电极设置以及多功能系统。2.3.信号处理首先，我们用具有1-45 Hz通带和零相移的1690阶带通FIR滤波器对原始EEG信号进行滤波。我们选择了FIR滤波器而不是IIR滤波器，因为我们的分析不需要高吞吐量限制，并且我们优先考虑滤波器控制和稳定性[38]。然后，我们将滤波后的信号分成四个不重叠的时间段。随后，我们分两步实现了自动伪影剔除：Autoreject和ICA。首先，我们应用了自动拒绝算法来自动找到每个通道的伪影阈值，并识别和拒绝不良数据跨度。AutoReject是一种基于贝叶斯优化和交叉验证的自动数据驱动伪影剔除算法。 该算法可作为Python模块使用，其应用程序很简单。方面Autoreject已经针对几个数据集进行了评估，与典型方法相比，它的性能相当或更好。我们建议感兴趣的读者参考[39]，其中算法的开发人员对其实现和评估进行了全面的审查。随后，我们应用ICA校正眨眼伪影。ICA能够将多个源一致的信号分解为这些源和混合矩阵。这对于处理EEG信号特别有用，因为它们代表内部脑源的组合。基于此，ICA通常用于检测和去除诸如眨眼的伪像成分。这些组件显示高方差和空间分布朝向额颞区的头皮。E. Perez-Valero，M.Á.Lopez-Gordo，C.M.古铁雷斯等人生物医学中的计算机方法和程序220（2022）1068414..图2. 本研究实现了自驱动信号处理流水线。最初，我们应用1-45 Hz带通FIR滤波器来消除电力线干扰并保留所需的频谱内容。然后，我们对滤波后的信号进行分段，分成四秒的时间段而不重叠。最后，我们分两个阶段实现了自动伪影去除：自动剔除算法和ICA。输入和输出信号表示单个参与者的原始EEG和预处理的时期。因此，为了识别眨眼伪影成分，我们使用Fp 1作为眼电图代理，并自动识别与该传感器相关性最高的成分。然后，我们从源矩阵中去除眨眼分量，并重建EEG信号。图2示出了本小节中描述的信号处理阶段。2.4.特征提取在应用EEG处理管道后，我们从每个预处理的时期中提取每个EEG通道的三个特征：五个主要EEG频带中的相对功率（RP），谱熵（SE）和Hjorth复杂度（HC）。我们检查了这些特征，因为它们已经在类似的研究中得到验证[21，32，40RP表示包含在频率范围中的总信号功率的分数。或者，SE表示信号的功率谱的香农熵。SE描述了功率谱分布的均匀性，并因此描述了EEG的不规则性。因此，对于纯正弦波，SE最小，对于白噪声，SE最大[43]。最后，HC是三个Hjorth参数（活动性，移动性和复杂性）之一，并且被导出为信号的一阶导数的移动性与信号本身的移动性的比率[44]。本段中描述的三个特征的数学表示在方程中给出。（1）-（3）。foPfi表2网格搜索交叉验证期间评估的超参数列表。阶段超参数值范围历元平均历元平均六、八、十、十二特征选择特征百分比十，二十五，五十，七十五，一百分类层大小三三三四四四五阿尔法10−6，10−5，10−4，10−3激活雷卢角a请注意，对于层大小参数，括号中的每个数字指的是一个隐藏层，其值表示层中神经元的数量。例如，4-4-4表示具有三个隐藏层和每层四个神经元的MLP。分类。首先，特征缩放器将特征在零和一之间归一化。这种技术广泛应用于机器学习，以提高非基于树的模型的性能。然后，特征选择器根据预定义的策略收集最相关的特征。我们建议感兴趣的读者阅读[46]，以全面回顾频繁的特征选择策略。在这项研究中，我们采用了一种基于卡方检验的方法来识别与目标最相关的特征。我们选择这种策略是因为它的内在速度。最后，对于流水线的最后阶段，我们选择了MLP，因为该算法本身允许多标签分类。为了找到管道中元素的超参数的最佳组合，我们应用了网格搜索。对于第2.4节最后一段描述的特征矩阵平均过程，我们评估了要平均的行数的不同值。对于特征选择阶段，我们评估了所选特征百分比的不同值。对于MLP，我们评估了网络架构、L2惩罚（Alpha）和激活函数的不同值。表2显示了我们在网格搜索过程中考虑的所有超参数的不同值范围。我们建议感兴趣的读者参考scikit-learn文档，以全面描述该表中报告的超参数。 超参数的最佳组合在结果部分中报告。评估网格期间的分类性能Rp= .布拉夫（一）P搜索时，我们使用scikit-learn Python模块（GridSearchCV）的内置函数应用交叉验证。该功能评估-SE= −S（f）log2S（f）（2）Fσrr/σr使用不同的超参数集和交叉验证方案来评估分类流水线。由于这项研究涉及临床组的歧视，我们遵循了LOSO策略。HC=（三）因此，数据被分成与参与者一样多的折叠那么对于σsr/ σs由方程式f1和f0表示特定频带的频率下限和频率上限。在这项研究中，我们估计在五个主要EEG频带中的RP：delta（1-4 Hz），theta（4-8 Hz），al-phi（8-13 Hz）、beta（13-30 Hz）和gamma（>30 Hz）。由方程式f表示信号的频率范围中的频率，并且S表示其归一化功率谱。最后，在Eq。（3），σs， σsr和σsrr表示信号的方差， 它的一阶导数和二阶导数的方差在从预处理的epoch中提取特征之后，我们将特征连接起来以创建特征矩阵。然后，按照[45]中提出的方法，我们对特征矩阵中每S个相邻行的特征进行平均，以提高信噪比并减小数据集的大小。我们检查了S的四个值：6、8、10和12，并保留了产生最佳性能的值。2.5.分类在特征提取之后，我们实现了一个三步分类流水线，包括特征缩放、特征选择和每次折叠时，训练集保持来自除一个参与者之外的所有参与者的数据，该参与者的数据被保留用于测试集。因此，来自参与者的信息永远不会出现在训练集和测试中同时设置。这防止了正偏差，并代表了一个强大的替代方案，以评估模型的一般性能。图3显示了本节中描述的各个阶段。图3. 自驱动的特征提取和分类管道。首先，我们对预处理的epoch进行特征提取。该过程产生了具有M行（时期）和N特征的特征矩阵。然后，我们对每S个连续的历元进行平均，以提高信噪比（我们评估S值为6、8、10和12）。随后，我们进行了网格搜索交叉验证，以获得分类管道的最佳超参数集。SSE. Perez-Valero，M.Á.Lopez-Gordo，C.M.古铁雷斯等人生物医学中的计算机方法和程序220（2022）10684153. 结果在本节中，我们报告了我们在本研究中检查的三类分类问题中获得的结果。由于缺乏合作（S09和S18），存在其他疾病（S12）和信号质量差（S21和S26），我们排除了五名参与者的数据。因此，我们在分析中考虑了来自21名患者的数据。图4表示历元级别的混淆矩阵。为了创建这个矩阵，我们从交叉验证期间使用的测试集中收集了真实的时代标签和分类器预测，并估计了预测在三个类别中的分布。图5示出了主题级的混淆矩阵。在这种情况下，我们评估了分类器通过多数投票区分参与者的能力。也就是说，如果模型正确地分类了给定参与者的大部分时期，我们认为它正确地区分了参与者。否则，我们认为 它错误地将参与者分类。表3给出了一份课堂报告，其中包含了表3轻度AD vs MCI-非AD vs对照辨别问题的分类报告。队列精度召回F1得分轻度AD0.910.820.88±0.05MCI-非AD0.710.88控制0.920.78a我们在收集了交叉验证的所有测试真标签和分类器预测后，估计了本表中显示的指标。最右列表示平均交叉验证F1评分±平均值的标准误差（SEM）。表4通过网格搜索交叉验证找到的最佳超参数集在交叉验证过程中的模型在精度和召回方面为了创建这个表，我们按照时代级混淆矩阵我们还包括平均交叉-验证F1-评分。最后，通过网格搜索找到的最佳超参数集如表4所示。图4. 用于区分MCI-非AD、轻度AD和对照的时期水平混淆矩阵。图5. 区分MCI-非AD、轻度AD和对照的受试者水平混淆矩阵。4.讨论本研究的目的是评估基于商业EEG采集设备和自动化处理的完全自驱动方法用于AD三类辨别的潜力。为此，我们记录了这些队列中一组参与者的静息状态活动，并开发了一个基于信号处理和机器学习的分类管道。我们使用了一种商业可穿戴EEG采集设备，不需要经过培训的专家进行操作。因此，除了神经科医生之外，不需要其他人员来执行数据采集。我们获得的初步结果表明，自驱动的多类判别AD队列从商业脑电图可以成功地执行。这可能有助于为未来实施负担得起的便携式早期AD筛查技术打开大门。尽管如此，需要进一步的研究来验证这项工作中报告的初步结果就时代级性能而言，图4中的混淆矩阵表明，采用本研究中提出的方法可以实现显著的分类性能。具体而言，我们的分类器对分析的MCI-非AD、轻度AD和对照期的分类准确率分别为81.58%、87.72%和78.33%。值得注意的是，分类器在轻度AD和MCI-非AD组中获得了最佳结果。这表明它有能力识别患者队列，这在临床群体的区分中至关重要。这在图5中显示的参与者水平混淆矩阵中进一步指出。根据该图，我们的方法仅错误分类了一名控制参与者。自然地，从报告的交叉验证度量中得出表3所如本表所示，分类器得出的平均F1分数为0.88 ±0.05。根据这项工作中获得的初步结果我们相信，与文献中报道的方法相比，自驱动的多类分类方法可能具有一些优势。为清楚起见，表5总结了相关方法的主要方面。首先，重要的是要认识到，由于报告的队列的异质性，这些工作之间的直接比较并不完全可行。虽然大多数研究考虑了AD、MCI和对照[16，32，36，47]，但其他研究评估了不同的临床组。例如，[34]检查了轻度AD、AD和对照组，[35]评价了MCI、轻度AD（ADM）、晚期AD（ADA）和对照组。从这个意义上说，我们认为我们考虑的队列（MCI-非AD、轻度AD和对照）是超参数最佳价值历元平均12特征百分比100MLP层大小5-5-5MLP Alpha10−6MLP激活ReLUE. Perez-Valero，M.Á.Lopez-Gordo，C.M.古铁雷斯等人生物医学中的计算机方法和程序220（2022）1068416表5AD多类判别研究的比较。各列从左到右表示作者、涉及的队列、标记队列的诊断程序、EEG采集设备、采集过程中使用的传感器数量、应用的伪影抑制技术以及队列多类区分研究队列诊断EEG设备传感器伪影排除性能McBride等人[32]17 AD早期16 MCI 15 HC认知测试和其他评估Neuroscan II32未报告F1评分=0.83（受试者水平）Ruiz-Gómez等人[25]37 AD 37 MCI 37 HCNia-AAXLTEK Natus医疗19视觉检查准确度=0.63（受试者水平）Tzimourtra等人[三十四]8例轻度AD 6例AD 10例HCMMSE日本光电脑电图210019硬件F1评分=0.85（时代水平）Ieracitano等人[47]63 AD、63 MCI、63 HCDSMMD没有披露19视觉检查F1评分=0.81（时代水平）Oltu等人[16]8 AD 16 MCI 11 HCMOCA日本光电脑电图120019硬件准确度=0.94（时代水平）Rodrigues等人[三十五]11 HC 8 MCI 11 ADM8 ADAMMSE没有披露19未指定AUC= 0.95（时期水平）Sharma等人[三十六]16 AD 16 MCI 15 HCDSMMDSOMNOscreen EEG3221EEGLABF1评分=0.85（时代水平）我们的方法8例轻度AD 5MCI-非AD 8 HCCSF/PET多功能EEG 1616自动拒绝和ICAF1评分=0.88（时代水平）准确度=0.95（受试者水平）最适合早期检测研究。这些研究的另一个根本区别是诊断程序。大多数以前的工作基于神经心理测试对参与者进行诊断：[34，35]应用简易精神状态检查（MMSE），[16，36]使用蒙特利尔认知评估（MoCA），[36，47]应用精神疾病诊断和统计手册（DSMMD）的建议，[25]遵循国家老龄化和阿尔茨海默氏症协会（NIA-AA）的指导方针相反，我们根据CSF分析和PET扫描得出的诊断识别参与者，与神经心理学检查相比，医学程序具有更高的可靠性。在电极设置方面，这些工作中的大多数选择了19-21个传感器[16，25，34-从这个意义上说，我们认为使用较少数量的电极可以提高参与者的舒适度并简化蒙太奇。关于采集系统，与表5中收集的其他方法相比，我们使用了便携性最高的设备，因为其中大多数使用了移动性较低的医疗导向系统关于伪影处理，[24]和[47]进行了epoch基于目视检查的手动选择。从早期检测的角度来看，这是不合适的，因为它涉及额外的人员并延迟分析。 或者，[34]和[16]使用其采集硬件（Nihon Kohden EEG系统）的内置功能来执行伪影抑制，这阻碍了其提案的可扩展性。相反，[36]使用MATLAB的EEGLAB工具箱来执行伪影抑制。但是，作者没有说明他们使用的是手动还是自动程序。最后，[42]和[35]没有说明所应用的伪影去除技术。在这项初步研究中，我们应用了Autore- ject和自动ICA。我们认为这是伪影剔除的更合适的替代方案，因为分析保持自我驱动，这对于早期检测至关重要，并且还促进了所产生结果的再现性。关于性能，队列的异质性和用于评估结果的指标阻碍了直接比较。在这些作品中报告的F1分数范围从0.81到0.89 [32，34，36，47]。其他作者报告的准确度值在0.63和0.94之间[16，25，47]。或者，[35]报告了曲线下面积（AUC）方面的出色结果。根据表3中报告的结果，基于商业EEG设备的自驱动方法，例如本工作中介绍的设备，可以达到与最佳结果相当的性能 在文学中。5. 结论在这项研究中，我们评估了一个完全自驱动的方法，AD三类歧视使用商业EEG采集系统的潜力。为此，我们进行了一项研究，涉及三个队列的参与者：MCI-非AD，轻度AD和健康的年龄匹配的对照。首先，我们记录了他们睁眼休息状态的大脑活动，然后我们实现了一个自驱动的管道，包括伪影拒绝，特征提取和分类。对于伪影抑制，我们应用了Autoreject（一种数据驱动算法）和ICA。然后，我们提取相对功率，Hjorth复杂度，和频谱熵的清洁时期。最后，我们在LOSO策略下进行了网格搜索交叉验证。在性能方面，我们获得的初步结果与类似研究中报道的结果相当，在某些情况下甚至更好。这些结果是有希望的，因为自驱动检测可能潜在地优于现有方法，促进早期检测，有助于降低成本，并鼓励结果的再现性。这可能有助于减少与其他传统医疗程序（如临床EEG和核医学程序）相关的检测时间。在这方面，早期检测对于控制神经损失和延缓认知衰退至关重要。这对中年人尤其重要，因为与老年人相比，这种疾病对他们的社会生活和工作场所的影响更大另外，虽然表5中讨论的研究中的参与者中位数为47人，但我们只考虑了21人。因此，在未来的研究中，我们必须在更大的样本上评估本文所述的方法，以加强本文所得出的结论。此外，我们知道参与本研究和类似研究的患者并不严格代表参加神经病学服务的典型患者。这些患者通常患有除痴呆之外的其他病理。因此，为了有效地将基于EEG的自驱动方法转移到临床生态系统中，我们必须评估它们在现实生活参与者中的表现。这样，在未来，患者可能会受益于准确，快速和负担得起的检测方法，有助于推进他们的医疗。E. Perez-Valero，M.Á.Lopez-Gordo，C.M.古铁雷斯等人生物医学中的计算机方法和程序220（2022）1068417）（竞争利益声明本作品的作者，其姓名列于手稿中，证明他们没有在任何组织中拥有任何经济利益或非财务利益，在本手稿中讨论的主题致谢这项研究得到了西班牙科学，创新和大学部资助的项目PGC2018 -098813-B-C31，欧洲区域发展基金，以及项目B-TIC-352-UGR 20的支持，该项目由FEDER 2014- 2020和安达卢西亚地区政府的经济，大学和科学办公室共同资助。作者特别要感谢格拉纳达圣母大学认知和行为神经学单位以及参与本研究的参与者在本研究中的合作。开放获取收费供资：格拉纳达大学引用[1] M.J. Moore，C.W. Zhu，E.C. Clipp，痴呆症护理的非正式成本估计来自国家纵向护理研究，J. Gerontol。B Psychol. Soc.Sci. 56（4）（2001）S219-S228，doi：10.1093/geronb/56.4.S219.[2] 世界阿尔茨海默病报告，痴呆症研究的艺术状态：新的前沿，新的前沿（2018）48。[3] D. P. Perl，阿尔茨海默病的神经病理学，Mount Sinai J.Med.77（1）（2010）32-42，doi：10.1002/msj.20157。[4] A.作者：M.P. Masliah，B.T.海曼，阿尔茨海默病的神经病理学改变，冷泉港。透视。1（1）（2011）a006189，doi：10.1101/cshperceptid.a006189。[5] R.A. Sperling 等 人 ， Toward defining the preclinical stages of Alzheimer'sdisease ： recommendations from the National Institute on Aging-Alzheimer'sAssociation workgroups on diagnostic guidelines for Alzheimer's disease ，Alzheimer'sDementia7（3）（2011）280-292，doi：10.1016/j.jalz.2011.03.003.[6] M. 里门施奈德，N. 劳滕施拉格，S. 瓦根普费尔，J.迪尔 A. 德热兹加，A.Kurz，Cerebrosporinal aeropluid tau and beta-amyloid 42 proteins identifyAlzheimer disease in subjects with mild cognitive impairment ，Arch. Neurol.5 9 （11）（2002）1729 archneur.59.11.1729。[7] G. Kuslansky等人，用霍普金斯语言学习测试和简易精神状态检查检测痴呆。Clin. 神经心理学（2004）16.[8] M.S. Mendiondo，J.W. Ashford，R.J. Kryscio，F.A. Schmitt，老年痴呆症的微心理状态检查变化模型，Stat. 19（11-12）（2000）1607-1616doi：10.1002/（SICI）1097-0258（20000615/30）19：11/121607：AID-SIM4493.0.CO;2-0.[9] R.J.Perrin ， A.M.Fagan ， D.M.Holtzman ， Multimodaltechniquesfordiagnosis and prognosis of Alzheimer's disease ， Nature 461 （ 7266 ）（2009）916-922，doi：10.1038/nature08538.[10] S.H. Hojjati，A. Ebrahimzadeh，A. Khazaee，A. Babajani-Feremi，使用静息态fMRI、图论方法和SVM预测MCI向AD的转化，J. Neurosci.方法282（2017）69-80，doi：10.1016/j.jneumeth.2017。03.006.[11] S.R. Meikle ， F.J. Beekman ， S.E. 陈 晓 ， 分 子 影 像 学 的 新 进 展 ， 高 分 辨 率SPECT ， PET 和 MRI ， 药 物 发 现 。 今 日 3 （ 2 ） （ 2006 ） 187-194 ， doi ：10.1016/j.ddtec.2006.05.001。[12] J.M. Górriz，F. Segovia，J. Ramírez，A. Lassl，D. Salas-Gonzalez，基于GMM的SPECT图像分类用于诊断阿尔茨海默 11（2）（2011）2313 -2325，doi：10.1016/j.asoc.2010.08.012。[13] F.J. 弗拉加，G.Q.Mamani，E.Johns，G.Tavares，T.H.Falk，N.A.Phillips，轻度认知障碍和阿尔茨海默病的早期诊断与N-back工作记忆任务中的事件相关电位和事件相关去记忆化，Comput.方法程序生物医学。164（2018）1-13，doi：10.1016/j.cmpb.2018. 06.011.[14] P.A.M.神田，E.F. Oliveira，F.J. Fraga，具有较少α节律的EEG时期改善了轻度阿尔茨海默氏症的辨别力，计算。方法程序生物医学。138（2017）13-22，doi：10.1016/j.cmpb.2016.09.023。[15] C.T. Briels， D. N. Schoonhoven ，C.J. Stam ，H. de Waal，P. Scheltens ，A.A.Gouw，阿尔茨海默病中EEG功能连接的再现，阿尔茨海默病研究治疗12（1）（2020）68,doi：10.1186/s13195-020- 00632-3。[16] B.奥 尔 图 湾 F.Aksakhahin ， S.Kibaroglu ， AnovelelectroenephthaliraphybasedapproachforAlzheimer'sdiseaseandmildcognitiveimpairment detection，Biomed.信号处理。对照63（2021）102223，doi：10.1016/j.bspc.2020。102223.[17] K.D. Tzimourta等人，基于静息状态EEG记录的阿尔茨海默病分析的机器学习算法和统计方法：系统综述，Int. J. Neural Syst. 31（5）（2021）2130002，doi：10.1142/S 012906