DOI: https://doi.org/10.1038/s41598-026-35184-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41622342
تاريخ النشر: 2026-02-01
المؤلف: B. Hemalatha وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تتناول هذه الورقة البحثية تحديات الكشف المبكر عن مرض الزهايمر (AD) باستخدام تخطيط الدماغ الكهربائي (EEG)، وهو أداة تشخيصية غير جراحية وفعالة من حيث التكلفة. غالبًا ما تكافح الطرق التقليدية لتخطيط الدماغ الكهربائي لاستخراج ميزات معلوماتية بدقة من إشارات الدماغ المعقدة، مما يحد من أدائها التشخيصي. للتغلب على هذه القيود، تقترح الدراسة إطار عمل جديد للذكاء الاصطناعي يدمج دمج الميزات مع بنية الذاكرة طويلة وقصيرة المدى التلافيفية (Conv-LSTM). يجمع هذا النموذج بفعالية بين الميزات الطيفية مع التمثيلات المستمدة من التعلم العميق، محققًا دقة تصنيف ملحوظة تبلغ 99.8% في التمييز بين مراحل مختلفة من مرض الزهايمر، مما يوضح تفوقه على التقنيات الحالية.
تسلط النتائج الضوء على إمكانيات نهج دمج الميزات المقترح في تعزيز دقة وكفاءة الكشف عن مرض الزهايمر القائم على تخطيط الدماغ الكهربائي. من خلال الاستفادة من خوارزميات التعلم العميق، تؤكد الدراسة على أهمية الأساليب الحسابية المتقدمة في تشخيص الأمراض التنكسية العصبية. لا تساهم النتائج فقط في زيادة المعرفة حول تشخيص مرض الزهايمر، ولكنها تقترح أيضًا مجالات للعمل المستقبلي، بما في ذلك توسيع مجموعات البيانات والدراسات الطولية لفهم أفضل للتقدم الزمني لمؤشرات تخطيط الدماغ الكهربائي المرتبطة بمرض الزهايمر. تدعم هذه الأبحاث في النهاية تطوير أدوات سريرية ذكية للكشف المبكر عن الخرف، بهدف تحسين جودة الحياة للمرضى وعائلاتهم.
طرق
في هذا القسم، يحدد المؤلفون منهجية للكشف عن مرض الزهايمر (AD) باستخدام إشارات تخطيط الدماغ الكهربائي (EEG)، مؤطرين المشكلة كمسألة تصنيف ثنائي. يتم تمثيل مجموعة البيانات كـ \( D = \{(X_i, y_i)\}_{i=1}^N \)، حيث \( X_i \in \mathbb{R}^{T \times C} \) تشير إلى مصفوفة إشارة EEG مع \( T \) عينات زمنية و \( C \) قنوات، و \( y_i \in \{0, 1\} \) تشير إلى وجود مرض الزهايمر. الهدف هو تطوير مصنف \( f: \mathbb{R}^{T \times C} \to \{0, 1\} \) يقوم بتعيين إشارات EEG بدقة إلى تسمياتها المقابلة، مع تحسين المعلمات \( \theta^* \) عن طريق تقليل دالة الخسارة \( L(\theta) \).
تدمج المنهجية المقترحة تقنيات الذكاء الاصطناعي، وتحديدًا إطار عمل التعلم العميق، لتعزيز تشخيص مرض الزهايمر. باستخدام جهاز EEG متاح تجاريًا، تقدم الدراسة نهج دمج الميزات الذي يجمع بين استخراج الميزات المستندة إلى الطيف مع شبكة تلافيفية معدلة. يتم استخدام شبكة الذاكرة طويلة وقصيرة المدى التلافيفية (FF-CLSTM) لالتقاط الاعتماديات المكانية والزمنية في بيانات EEG. تشمل المنهجية جمع بيانات شاملة من كل من الأفراد الأصحاء ومرضى الزهايمر، مع استخدام تقنيات اختيار الميزات مثل تحليل الارتباط والمعلومات المتبادلة لتنقيح مجموعة الميزات. يتم استخراج الميزات الطيفية، وخاصة كثافة الطاقة الطيفية (PSD)، لتحليل نشاط الدماغ عبر نطاقات التردد. ثم تقوم الشبكة العصبية التلافيفية (CNN) بمعالجة بيانات EEG المعالجة مسبقًا لتعلم الميزات التمييزية، والتي يتم دمجها مع الميزات الطيفية لتحسين دقة التصنيف. يهدف هذا النهج المبتكر إلى توفير كشف أكثر موثوقية عن مرض الزهايمر من خلال دمج تمثيلات الميزات المتنوعة.
نتائج
في هذا القسم، يوضح المؤلفون تنفيذ وتقييم أداء خوارزميتهم باستخدام إطار عمل بايثون. يتم تقسيم مجموعة البيانات بشكل استراتيجي إلى ثلاث مجموعات فرعية: 60% للتدريب، 20% للاختبار، و20% للتحقق. يتم استخدام مجموعة التدريب لتطوير النموذج، بينما تقيم مجموعة الاختبار أدائه على بيانات غير مرئية، وتساعد مجموعة التحقق في تحسين المعلمات واختيار المعلمات الفائقة.
تشمل مقاييس الأداء المستخدمة درجة ROC_AUC، ودرجة F1، والدقة. يتم تعريف الدقة كنسبة التطبيقات المحددة بشكل صحيح، بينما الدقة هي نسبة الإيجابيات الحقيقية إلى إجمالي الإيجابيات المتوقعة. تشير الاسترجاع إلى نسبة النتائج ذات الصلة المسترجعة. تعكس درجة ROC_AUC قدرة النموذج على التمييز بين الفئات، مع قيم أعلى تشير إلى أداء أفضل. توضح مقياس F التوازن بين الاسترجاع والدقة. يتم تلخيص معلمات التدريب الإضافية في الجدول 4.
مناقشة
يتناول قسم المناقشة في الورقة البحثية قيود الطرق الحالية المعتمدة على تخطيط الدماغ الكهربائي للكشف عن مرض الزهايمر (AD)، والتي غالبًا ما تعتمد على ميزات طيفية أو إحصائية محددة مسبقًا لا تلتقط بالكامل الديناميات المكانية الزمنية المعقدة لنشاط الدماغ. تقترح الدراسة إطار عمل هجين جديد يدمج الميزات الطيفية مع الميزات المستمدة من التعلم العميق، باستخدام شبكات الذاكرة طويلة وقصيرة المدى التلافيفية (CLSTM) لنمذجة العلاقات الزمنية. يهدف هذا النهج إلى تعزيز دقة التشخيص، والقدرة على التعميم، والفائدة العملية مع الحفاظ على الكفاءة الحسابية وقابلية التفسير. يستخدم النموذج المقترح حوالي 0.9 مليون معلمة قابلة للتدريب، مما يقلل بشكل كبير من العبء الحسابي مقارنة بالنماذج التقليدية للتعلم العميق.
تسلط الأبحاث الضوء على فجوة في الأدبيات بشأن الدمج الفعال للميزات الطيفية وميزات التعلم العميق للكشف عن مرض الزهايمر. بينما استكشفت الدراسات السابقة هذه الطرق بشكل منفصل، فإن دمج كلا النهجين لا يزال غير مستكشف نسبيًا. يؤكد المؤلفون أن الجمع بين الميزات الطيفية، التي تلتقط الشذوذات المتعلقة بالتردد، مع ميزات التعلم العميق التي تتعلم تمثيلات معقدة يمكن أن يحسن من قوة و دقة أنظمة الكشف عن مرض الزهايمر. تشير النتائج إلى أن نموذج FF-CLSTM المقترح يعالج التحديات الحالية في استخراج الميزات والنمذجة الزمنية، مما يمهد الطريق لحلول أكثر فعالية وقابلية للتوسع في التطبيقات الواقعية لتشخيص مرض الزهايمر المبكر.
DOI: https://doi.org/10.1038/s41598-026-35184-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41622342
Publication Date: 2026-02-01
Author(s): B. Hemalatha et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This research paper addresses the challenges of early detection of Alzheimer’s Disease (AD) using electroencephalography (EEG), a non-invasive and cost-effective diagnostic tool. Traditional EEG methods often struggle to accurately extract informative features from complex brain signals, which limits their diagnostic performance. To overcome these limitations, the study proposes a novel artificial intelligence framework that integrates feature fusion with a Convolutional Long Short-Term Memory (Conv-LSTM) architecture. This model effectively combines spectral features with deep learning-derived representations, achieving a remarkable classification accuracy of 99.8% in distinguishing between various stages of AD, thereby demonstrating its superiority over existing techniques.
The findings highlight the potential of the proposed feature fusion approach in enhancing the accuracy and efficiency of EEG-based AD detection. By leveraging deep learning algorithms, the study emphasizes the importance of advanced computational methods in diagnosing neurodegenerative diseases. The results not only contribute to the growing body of research on AD diagnostics but also suggest avenues for future work, including the expansion of datasets and longitudinal studies to better understand the temporal progression of EEG biomarkers associated with AD. This research ultimately supports the development of intelligent clinical tools for early dementia screening, aiming to improve the quality of life for patients and their families.
Methods
In this section, the authors outline a methodology for detecting Alzheimer’s disease (AD) using electroencephalogram (EEG) signals, framing the problem as a binary classification task. The dataset is represented as \( D = \{(X_i, y_i)\}_{i=1}^N \), where \( X_i \in \mathbb{R}^{T \times C} \) denotes the EEG signal matrix with \( T \) time samples and \( C \) channels, and \( y_i \in \{0, 1\} \) indicates the presence of AD. The objective is to develop a classifier \( f: \mathbb{R}^{T \times C} \to \{0, 1\} \) that accurately maps EEG signals to their corresponding labels, optimizing the parameters \( \theta^* \) by minimizing a loss function \( L(\theta) \).
The proposed methodology integrates artificial intelligence techniques, specifically a deep learning framework, to enhance AD diagnosis. Utilizing a commercially available EEG device, the study introduces a feature fusion approach that combines spectral-based feature extraction with a modified convolutional network. A Convolutional Long Short-Term Network (FF-CLSTM) is employed to capture both spatial and temporal dependencies in the EEG data. The methodology includes comprehensive data collection from both healthy individuals and AD patients, with feature selection techniques such as correlation analysis and mutual information used to refine the feature set. Spectral features, particularly Power Spectral Density (PSD), are extracted to analyze brain activity across frequency bands. The CNN then processes the pre-processed EEG data to learn discriminative features, which are fused with the spectral features to improve classification accuracy. This innovative approach aims to provide a more reliable detection of Alzheimer’s disease through the integration of diverse feature representations.
Results
In this section, the authors detail the implementation and performance evaluation of their algorithm using a Python framework. The dataset is strategically divided into three subsets: 60% for training, 20% for testing, and 20% for validation. The training set is utilized to develop the model, while the testing set assesses its performance on unseen data, and the validation set aids in fine-tuning and hyperparameter selection.
Performance metrics employed include ROC_AUC Score, F1 Score, and accuracy. Accuracy is defined as the percentage of correctly identified applications, while precision is the ratio of true positives to the total predicted positives. Recall indicates the proportion of relevant results retrieved. The ROC_AUC score reflects the model’s ability to discriminate between classes, with higher values indicating better performance. The F-measure illustrates the trade-off between recall and accuracy. Additional training parameters are summarized in Table 4.
Discussion
The discussion section of the research paper addresses the limitations of existing EEG-based methods for Alzheimer’s disease (AD) detection, which often rely on predefined spectral or statistical features that do not fully capture the complex spatiotemporal dynamics of brain activity. The study proposes a novel hybrid framework that integrates spectral features with deep learning-derived features, specifically using Convolutional Long Short-Term Memory (CLSTM) networks to model temporal relationships. This approach aims to enhance diagnostic accuracy, generalizability, and practical utility while maintaining computational efficiency and interpretability. The proposed model utilizes approximately 0.9 million trainable parameters, significantly reducing the computational burden compared to conventional deep learning models.
The research highlights a gap in the literature regarding the effective fusion of spectral and deep learning features for AD detection. While previous studies have explored these methods separately, the integration of both approaches is relatively unexplored. The authors emphasize that combining spectral features, which capture frequency-related abnormalities, with deep learning features that learn complex representations can potentially improve the robustness and accuracy of AD detection systems. The findings suggest that the proposed FF-CLSTM model addresses existing challenges in feature extraction and temporal modeling, paving the way for more effective and scalable solutions in real-world applications for early AD diagnosis.