Delta2Gamma: apprendimento EEG auto-supervisionato per bande raggiunge il 92% di accuratezza nel rilevamento dell'Alzheimer
Lo screening della demenza affronta un grande ostacolo a causa della mancanza di opzioni diagnostiche economiche. Mentre i metodi di imaging possono diagnosticare con precisione, sono piuttosto costosi. D'altra parte, l'elettroencefalografia (EEG) è più economica e portatile, ma i suoi dati rumorosi e la mancanza di etichette cliniche la rendono complessa per l'apprendimento automatico tradizionale. Per affrontare questo problema, i ricercatori hanno sviluppato Delta2Gamma, un metodo auto-supervisionato che apprende da dati EEG non etichettati confrontando viste potenziate del segnale. Separa le registrazioni in cinque ritmi neurali: delta, theta, alpha, beta e gamma, ciascuno con il proprio encoder. Testato sulla coorte ADFTD, Delta2Gamma ha raggiunto un'impressionante accuratezza del 92% nel distinguere l'Alzheimer da individui cognitivamente sani. Questa ricerca è disponibile su arXiv (identificativo 2608.17231) e segna un grande passo avanti nello screening economico della demenza.
Fatti principali
- Delta2Gamma è un framework auto-supervisionato per apprendere rappresentazioni EEG da dati non etichettati.
- Contrasta viste aumentate di ciascun segnale per apprendere rappresentazioni.
- Il framework decompone le registrazioni EEG in cinque ritmi neurali canonici: delta, theta, alpha, beta e gamma.
- Ogni banda di frequenza ha il proprio encoder e testa di proiezione.
- Ogni banda riceve anche una temperatura adattiva prevista durante l'addestramento contrastivo.
- La coorte ADFTD è stata utilizzata per la valutazione.
- È stato impiegato un rigoroso protocollo leave-one-subject-out.
- Delta2Gamma distingue la malattia di Alzheimer dai controlli cognitivamente normali con un'accuratezza del 92%.
Entità
Istituzioni
- arXiv