Deep learning on high-density EEG during a cognitive task distinguishes patients with Parkinson's disease from healthy controls.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Objective.Parkinson hastalığı (PD), bilişsel bozukluk da dahil olmak üzere motor ve motor olmayan semptomlarla karakterize bir nörodejeneratif bozukluktur. Eskiden klinik değerlendirmeye dayanan teşhisi, giderek daha fazla biyobelirteçlere dayanıyor. Elektroensefalografi (EEG) biyobelirteçleri hala deneysel bir aşamadayken, derin öğrenme (DL) modelleri kullanılarak çalışılmıştır. Amacımız, bilişsel bir görevin, hastalığın etkilediği kortikal bölgeleri aktive ederek EEG tabanlı hastalık tespitinin doğruluğunu artırıp artıramayacağını belirlemekti. PD hastalarına yüksek yoğunluklu EEG kayıtlarına dayanarak kontrollerden ayırt etmek için bir DL modeli eğittik. Önceki çalışmalar bir dizi ön işleme tekniği, model ve ağırlıklı olarak dinlenme durumu (RS) EEG kullanmıştır. Ayrıca farklı ağ mimarileri ve hiperparametreleri ve mekansal ve zamansal çözünürlüğün rolünü araştırdık. En iyi model, bilişsel görev EEG veri kümesinde %83, RS EEG veri kümesinde ise %76'lık bir sınıflandırma doğruluğu sağladı. Duyarlılık analizi, modelin ağırlıklı olarak RS.Signifiance'dan farklı olarak bilişsel görev koşulunda EEG'nin belirli zamansal ve mekansal bileşenlerini kullandığını göstermiştir. Sonuçlarımız, bilişsel görev tarafından kortikal aktivasyonun PD ve kontroller arasında ayrım yapmada etkili olan EEG özelliklerini ortaya çıkardığını göstermektedir. Bu özellikler model tarafından kullanılabilir, böylece tanı doğruluğunu artırır.

Özgün kaynak özetini okuyun

Objective.Parkinson's disease (PD) is a neurodegenerative disorder characterized by motor and non-motor symptoms, including cognitive impairment. Its diagnosis, which used to be based on clinical assessment, increasingly relies on biomarkers. While electroencephalography (EEG) biomarkers are still at an experimental stage, they have been studied using deep learning (DL) models. Our aim was to determine whether a cognitive task could improve the accuracy of EEG-based disease detection by activating cortical regions affected by the disease.Approach. We trained a DL model to discriminate PD patients from controls based on their high-density EEG recordings. Previous studies have employed a range of preprocessing techniques, models and, predominantly, resting state (RS) EEG. We also investigated different network architectures and hyperparameters, and the role of spatial and temporal resolution.Main results. The best model gave a classification accuracy of 83% on the cognitive task EEG dataset and 76% on the RS EEG dataset. Sensitivity analysis indicated that the model predominantly uses specific temporal and spatial components of the EEG in the cognitive task condition, differing from the RS.Significance. Our results suggest that cortical activation by the cognitive task unveils EEG features that are effective in distinguishing between PD and controls. These features can be used by the model, thereby improving its diagnostic accuracy.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.