ارائه یک معماری یادگیری عمیق دو مسیره با تجمیع ناحیه ای کانال های الکتروانسفالوگرافی برای تشخیص پایدار اختلال شناختی خفیف

اختلال شناختی خفیف مرحله گذار به زوال عقل است و تشخیص زودهنگام آن اهمیت بالینی فراوانی دارد. الکتروانسفالوگرافی برای ثبت تغییرات عملکردی مغز پتانسیل بالایی دارد، اما تحلیل سیگنال های پیچیده و چندکاناله آن نیازمند رویکردهای محاسباتی پیشرفته است. این پژوهش، چارچوبی چندمرحله ای مبتنی بر یادگیری عمیق دومسیره و طبقه بندی تجمعی برای تفکیک افراد سالم، مبتلایان به اختلال شناختی خفیف و زوال عقل ارائه می دهد. نوآوری های اصلی این پژوهش شامل موارد زیر است: نخست، کاهش کانال های الکتروانسفالوگرافی از ۱۹ به ۵ ناحیه مغزی جهت افت پیچیدگی محاسباتی. دوم، معماری دومسیره؛ مسیر اول (رمزگذار خودکار کانولوشنی ) ویژگی های زمانی-فضایی سیگنال خام، و مسیر دوم (شبکه پیچشی دوبعدی و تبدیل موجک پیوسته) ویژگی های زمان-فرکانس را از طیف نگاشت استخراج می کند. جهت ارتقای تعمیم پذیری، اطلاعات سن از طریق سازوکار دروازه ای به مسیر دوم تزریق می شود. ویژگی های استخراجی، با آماره های تجمیعی در سطح بیمار فشرده شده و به همراه سن در یک بردار چندوجهی ادغام می گردند. تصمیم گیری نهایی بر عهده طبقه بند پشته ای (ماشین بردار پشتیبان، تقویت گرادیان مفرط، جنگل تصادفی و پرسپترون چندلایه با فرایادگیرنده لجستیک) است. با تفکیک داده ها در سطح بیمار برای جلوگیری از نشت داده، این چارچوب روی داده های محک به دقت ۸۰.۸۲٪ و امتیاز اف-یک کلان ۸۱.۱۵ دست یافت. این عملکرد با بهبود ۶.۱۶ درصدی نسبت به بهترین روش های پیشین، کارایی مدل را در پشتیبانی تصمیم گیری بالینی و غربالگری زودهنگام اثبات می کند.

کلیدواژه ها:

اختلال شناختی خفیف ، الکتروانسفالوگرافی ، یادگیری عمیق ، شبکه های عصبی پیچشی ، معماری دومسیره