DOI: https://doi.org/10.1016/j.compbiomed.2024.108462
PMID: https://pubmed.ncbi.nlm.nih.gov/38599069
تاريخ النشر: 2024-04-09
المؤلف: Siuly Siuly وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تبحث هذه الورقة البحثية في استخدام إشارات تخطيط الدماغ الكهربائي (EEG) للتشخيص المبكر لمرض باركنسون (PD)، وهو اضطراب تنكسي عصبي يؤثر على أكثر من 10 ملايين شخص على مستوى العالم. تقدم الدراسة نموذج شبكة عصبية تلافيفية (CNN) قائم على تمثيل الزمن-التردد (TFR) باستخدام AlexNet يعزز من تحديد المناطق الحرجة في الدماغ المرتبطة بمرض PD. من خلال استخدام تحويل تشتت المويجات (WST) لالتقاط الخصائص الزمنية والطيفية المميزة، يكتشف النموذج أنماطًا مكانية معقدة في بيانات EEG. تكشف النتائج من مجموعتي بيانات EEG في الوقت الحقيقي، مجموعة سان دييغو ومجموعة أيوا، أن المناطق الأمامية والمركزية في الدماغ، وخاصة أقطاب AF4 وAFz، مهمة للتشخيص الدقيق لمرض PD. حقق النموذج المقترح دقة ملحوظة بلغت 99.84% و95.79% للمجموعتين المعنيتين، متفوقًا على الطرق التشخيصية الحالية المعتمدة على EEG.
في الختام، تثبت الدراسة بنجاح فعالية إطار عمل CNN القائم على TFR في تحسين الكشف عن مرض PD من خلال تحليل مفصل على مستوى القنوات. لم يحقق النموذج دقة عالية فحسب، بل أظهر أيضًا حساسية وخصوصية وقيمة تنبؤية إيجابية ودرجات F1 ممتازة عبر كلا المجموعتين. أكدت التقييمات المقارنة ضد هياكل CNN الأخرى، بما في ذلك VGG16 وDarkNet19 وResNet18، تفوق نموذج AlexNet. تشير النتائج الواعدة إلى أن هذا النهج يمكن أن يكون أداة قيمة للأطباء في تشخيص مرض PD وقد يكون قابلًا للتكيف مع إشارات طبية أخرى، مثل ECG وEOG وEMG، مما يشير إلى تطبيقات أوسع في التشخيص الطبي.
مقدمة
مرض باركنسون (PD) هو اضطراب تنكسي عصبي شائع يتميز بأعراض حركية، مثل الاهتزاز والصلابة، وأعراض غير حركية، بما في ذلك التغيرات المعرفية والاكتئاب. يؤثر على أكثر من 10 ملايين فرد على مستوى العالم، ومن المتوقع أن يتضاعف معدل حدوث مرض PD بحلول عام 2040، مما يبرز الحاجة الملحة للكشف المبكر واستراتيجيات العلاج الفعالة. تعتمد الطرق التشخيصية الحالية بشكل أساسي على الملاحظات السريرية والفحوصات العصبية، مع ظهور EEG كأداة غير جراحية مهمة لتقييم الشذوذ في نشاط الدماغ المرتبطة بمرض PD. تم تطوير تقنيات تشخيصية آلية متنوعة تستخدم إشارات EEG، محققة دقة تصنيف عالية، ومع ذلك لا تزال هناك فجوات في دمج تمثيل الزمن-التردد (TFR) مع نماذج التعلم العميق واستكشاف مساهمات قنوات EEG المحددة.
تهدف هذه الدراسة إلى معالجة هذه الفجوات من خلال اقتراح نموذج قائم على تمثيل الزمن-التردد (TFR) باستخدام AlexNet للكشف عن مرض PD باستخدام إشارات EEG. تشمل الأهداف تطوير نموذج فعال حسابيًا لتصنيف مرض PD، والتحقيق في تأثير قنوات EEG المختلفة على دقة الكشف، وتعزيز أداء النموذج مقارنة بالطرق الحالية. من الجدير بالذكر أن الدراسة تقدم تحويل تشتت المويجات (WST) لإدارة الطبيعة التذبذبية لإشارات EEG بشكل فعال، جنبًا إلى جنب مع بنية AlexNet. لا يميز الإطار المقترح بين الأفراد الأصحاء ومرضى PD فحسب، بل يوفر أيضًا رؤى حول الآليات العصبية الأساسية وراء الكشف عن مرض PD، مما يمثل تقدمًا كبيرًا في الأساليب التشخيصية المعتمدة على EEG. تم هيكلة الورقة لتفصيل مجموعات بيانات EEG، وإطار الكشف المقترح، والنتائج التجريبية، واتجاهات البحث المستقبلية.
طرق
في هذه الدراسة، تم اقتراح إطار عمل جديد لتحديد مرض باركنسون (PD) من بيانات EEG، يجمع بين تحويل تشتت المويجات (WST) لتمثيل الزمن-التردد ونموذج شبكة عصبية تلافيفية (CNN) قائم على AlexNet للتصنيف. تشمل المنهجية عدة خطوات رئيسية: المعالجة المسبقة، تمثيل الزمن-التردد، استخراج الميزات الخفية، والتصنيف. يركز النهج على تحليل القنوات الفردية لتعزيز تحديد مواقع مناطق الدماغ، مع معالجة التحديات التي تطرحها الطبيعة غير الثابتة لـ EEG والدقة المكانية المحدودة. يستخدم النموذج عملية تحقق صارمة، مستفيدًا من تقسيم البيانات إلى تدريب واختبار مع 80% من البيانات للتدريب والتحقق المتكرر لتقليل الإفراط في التكيف.
تظهر النتائج التجريبية فعالية النموذج المقترح، حيث تحقق دقة تصنيف عالية عبر مجموعتين من البيانات. بالنسبة لمجموعة أيوا، حققت القناة AFz دقة بلغت 95.79%، بينما أظهرت مجموعة سان دييغو دقة قصوى بلغت 99.84% للقناة AF4 في تمييز الأفراد الأصحاء ومرضى PD تحت ظروف دوائية مختلفة. تشير مقاييس أداء النموذج إلى حساسية تبلغ 96.09% وخصوصية تبلغ 95.49% لمجموعة أيوا، وحساسية وخصوصية مثالية لمجموعة سان دييغو. بالإضافة إلى ذلك، توضح الخرائط الطبوغرافية الدور الحاسم للمناطق الأمامية والمركزية في الدماغ في الكشف عن مرض PD، مما يوفر رؤى حول التوزيع المكاني لنشاط EEG. بشكل عام، تؤكد النتائج على قوة النموذج ودقته في تصنيف مرض PD والأفراد الأصحاء، مما يساهم في تقديم رؤى قيمة حول العلاقات العصبية للمرض.
نتائج
في هذا القسم، تقيم الدراسة أداء نموذج الشبكة العصبية التلافيفية (CNN) القائم على TFR المقترح باستخدام مجموعتي بيانات EEG لمرض باركنسون (PD) في الوقت الحقيقي: مجموعة أيوا ومجموعة سان دييغو. يبدأ المؤلفون بتوضيح الإعداد التجريبي المستخدم لتنفيذ النموذج، مما يضمن وضوحًا حول المنهجيات المستخدمة.
بعد نظرة عامة على التجارب، يتم تقديم نتائج التجارب، مع تسليط الضوء على فعالية نموذج AlexNet القائم على TFR في تحليل بيانات EEG للكشف عن مرض PD. تختتم القسم بتحليل مقارن للنموذج المقترح مقابل المنهجيات الحالية في هذا المجال، مما يوفر رؤى حول أدائه النسبي وآثاره على البحث المستقبلي.
مناقشة
في هذه الدراسة، تم تطوير إطار عمل هجين جديد يجمع بين تمثيل الزمن-التردد (TFR) مع شبكة عصبية تلافيفية (CNN) قائمة على AlexNet لأتمتة الكشف عن مرض باركنسون (PD) من إشارات EEG. تم استخدام تحويل تشتت المويجات (WST) لالتقاط الخصائص الزمنية والطيفية المميزة لبيانات EEG، بينما تم استخدام نموذج AlexNet لاستخراج أنماط مكانية معقدة عبر مقاييس مختلفة. أظهر الإطار دقة تصنيف عالية، محققًا 95.79% في مجموعة أيوا و99.84% في مجموعة سان دييغو، مع معدلات حساسية وخصوصية تتجاوز 99% في عدة حالات. من الجدير بالذكر أن الدراسة حددت أن القنوات AFz وAF4، الموجودة في المناطق الأمامية والمركزية في الدماغ، قدمت معلومات مهمة للكشف الفعال عن مرض PD.
تمت مقارنة أداء النموذج القائم على AlexNet مع ثلاثة هياكل CNN أخرى—VGG16 وDarkNet19 وResNet18—مظهرة نتائج متفوقة في كلا المجموعتين. تشير النتائج إلى أن النموذج المقترح لا يتفوق فقط على الطرق الحالية في الكشف عن مرض PD المعتمد على EEG، بل تشير أيضًا إلى أن التركيز على مناطق الدماغ المحددة قد يكون كافيًا للتصنيف الدقيق، مما قد يقلل من الحاجة إلى بيانات قنوات EEG الشاملة. تسلط الدراسة الضوء على وعد الإطار كأداة تشخيصية للأطباء وتقترح تطبيقات مستقبلية في تحليل إشارات طبية أخرى، مثل ECG وEMG، مما يوسع من أهميته عبر مجالات طبية متنوعة.
DOI: https://doi.org/10.1016/j.compbiomed.2024.108462
PMID: https://pubmed.ncbi.nlm.nih.gov/38599069
Publication Date: 2024-04-09
Author(s): Siuly Siuly et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This research paper investigates the use of Electroencephalogram (EEG) signals for the early diagnosis of Parkinson’s disease (PD), a neurodegenerative disorder affecting over 10 million people globally. The study introduces a novel Time-Frequency Representation (TFR) based AlexNet Convolutional Neural Network (CNN) model that enhances the identification of critical brain regions associated with PD. By employing the Wavelet Scattering Transform (WST) to capture distinct temporal and spectral characteristics, the model effectively detects complex spatial patterns in EEG data. Results from two real-time EEG datasets, the San Diego and Iowa datasets, reveal that the frontal and central brain regions, particularly the AF4 and AFz electrodes, are significant for accurate PD detection. The proposed model achieved remarkable accuracies of 99.84% and 95.79% for the respective datasets, outperforming existing EEG-based diagnostic methods.
In conclusion, the study successfully demonstrates the efficacy of the TFR-based AlexNet CNN framework in improving PD detection through detailed channel-wise analysis. The model not only achieved high accuracy but also exhibited excellent sensitivity, specificity, positive predictive value, and F1 scores across both datasets. Comparative evaluations against other CNN architectures, including VGG16, DarkNet19, and ResNet18, confirmed the superiority of the AlexNet model. The promising results suggest that this approach could serve as a valuable tool for clinicians in diagnosing PD and may be adaptable for other medical signals, such as ECG, EOG, and EMG, indicating broader applications in medical diagnostics.
Introduction
Parkinson’s disease (PD) is a prevalent neurodegenerative disorder characterized by both motor symptoms, such as tremors and rigidity, and non-motor symptoms, including cognitive changes and depression. Affecting over 10 million individuals globally, PD’s incidence is projected to double by 2040, emphasizing the urgent need for early detection and effective treatment strategies. Current diagnostic methods primarily rely on clinical observations and neurological examinations, with EEG emerging as a significant non-invasive tool for assessing brain activity abnormalities associated with PD. Various automated diagnostic techniques utilizing EEG signals have been developed, achieving high classification accuracies, yet gaps remain in the integration of time-frequency representation (TFR) with deep learning models and the exploration of specific EEG channel contributions.
This study aims to address these gaps by proposing a Time-Frequency Representation (TFR) based AlexNet model for PD detection using EEG signals. The objectives include developing a computationally efficient model for PD classification, investigating the impact of different EEG channels on detection accuracy, and enhancing model performance compared to existing methods. Notably, the study introduces the Wavelet Scattering Transform (WST) to effectively manage the oscillatory nature of EEG signals, combined with the AlexNet architecture. The proposed framework not only distinguishes between healthy controls and PD patients but also provides insights into the neural mechanisms underlying PD detection, marking a significant advancement in EEG-based diagnostic approaches. The paper is structured to detail the EEG datasets, the proposed detection framework, experimental results, and future research directions.
Methods
In this study, a novel framework for identifying Parkinson’s Disease (PD) from EEG data is proposed, integrating Wavelet Scattering Transform (WST) for time-frequency representation and an AlexNet-based Convolutional Neural Network (CNN) for classification. The methodology encompasses several key steps: pre-processing, time-frequency representation, hidden feature extraction, and classification. The approach emphasizes individual channel analysis to enhance brain region localization, addressing the challenges posed by EEG’s nonstationary nature and limited spatial resolution. The model employs a rigorous validation process, utilizing a train-test split with 80% of the data for training and iterative holdout validation to mitigate overfitting.
The experimental results demonstrate the effectiveness of the proposed model, achieving high classification accuracies across two datasets. For the Iowa dataset, channel AFz achieved an accuracy of 95.79%, while the San Diego dataset showed a peak accuracy of 99.84% for channel AF4 in distinguishing between healthy controls and PD patients under different medication conditions. The model’s performance metrics indicate a sensitivity of 96.09% and specificity of 95.49% for the Iowa dataset, and perfect sensitivity and specificity for the San Diego dataset. Additionally, topographic maps illustrate the critical role of frontal and central brain regions in PD detection, providing insights into the spatial distribution of EEG activity. Overall, the findings underscore the model’s robustness and accuracy in classifying PD and healthy controls, contributing valuable insights into the neural correlates of the disease.
Results
In this section, the study evaluates the performance of the proposed TFR-based AlexNet convolutional neural network (CNN) model using two real-time Parkinson’s disease (PD) electroencephalogram (EEG) datasets: the Iowa dataset and the San Diego dataset. The authors begin by outlining the experimental setup utilized for the model’s implementation, ensuring clarity on the methodologies employed.
Following the experimental overview, the results of the experiments are presented, highlighting the effectiveness of the TFR-based AlexNet model in analyzing EEG data for PD detection. The section concludes with a comparative analysis of the proposed model against existing methodologies in the field, providing insights into its relative performance and implications for future research.
Discussion
In this study, a novel hybrid framework combining Time-Frequency Representation (TFR) with a Convolutional Neural Network (CNN) based on AlexNet was developed to automate the detection of Parkinson’s Disease (PD) from EEG signals. The Wavelet Scattering Transform (WST) was utilized to capture distinctive temporal and spectral characteristics of EEG data, while the AlexNet model was employed to extract complex spatial patterns across various scales. The framework demonstrated high classification accuracy, achieving 95.79% on the Iowa dataset and 99.84% on the San Diego dataset, with sensitivity and specificity rates exceeding 99% in several cases. Notably, the study identified that channels AFz and AF4, located in the frontal and central brain regions, provided significant information for effective PD detection.
The performance of the proposed AlexNet-based model was compared against three other CNN architectures—VGG16, DarkNet19, and ResNet18—demonstrating superior results in both datasets. The findings suggest that the proposed model not only outperforms existing methods in EEG-based PD detection but also indicates that focusing on specific brain regions may suffice for accurate classification, potentially reducing the need for comprehensive EEG channel data. The study highlights the framework’s promise as a diagnostic tool for clinicians and suggests future applications in analyzing other medical signals, such as ECG and EMG, thereby extending its relevance across various medical domains.