DOI: https://doi.org/10.1371/journal.pone.0346576
PMID: https://pubmed.ncbi.nlm.nih.gov/42008601
تاريخ النشر: 2026-04-20
المؤلف: Ashik Mostafa Alvi وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تتناول البحث التحديات في تشخيص مرض الزهايمر (AD) وضعف الإدراك المعتدل (MCI)، اللذان ينتشران بين كبار السن وغالبًا ما يؤديان إلى نتائج قاتلة. تعاني مصنفات التعلم الآلي التقليدية من قيود بسبب هياكلها السطحية، مما يعيق التشخيص في الوقت المناسب والدقيق. للتغلب على هذه المشكلات، يقدم الدراسة شبكة التعرف على تدهور الإدراك (CDR-Net)، التي تستخدم تخطيط الدماغ الكهربائي (EEG) لتشخيص MCI وAD والأشخاص الأصحاء. هذه الطريقة مفيدة حيث أن EEG هو بديل غير جراحي وفعال من حيث التكلفة لتقنيات التصوير الأكثر تعقيدًا. تشمل بنية CDR-Net جمع البيانات، والمعالجة المسبقة، واستخراج الميزات، والتصنيف، وتقييم الأداء، محققة دقة متعددة الفئات مثيرة للإعجاب، وحساسية، ومعدلات خصوصية تبلغ 99.25% و99.13% و99.32% على التوالي.
في الخاتمة، يتم تسليط الضوء على نظام CDR-Net لكفاءته ودقته في تحديد AD وMCI من بيانات EEG، مع التركيز على تقليل وقت التشخيص وتعزيز الأداء مقارنة بالطرق الحالية. يتم التأكيد على مرحلة المعالجة المسبقة لمعالجة الشوائب وعدم الاتساق في بيانات EEG الأولية، باستخدام تقنيات مثل تحويل الموجات الثابتة (SWT) لتقليل الضوضاء وتقليل العينة إلى 256 هرتز. تشير الدراسة إلى أن العمل المستقبلي يجب أن يتضمن زيادة حجم العينة لتحسين أداء المصنف واستكشاف الحفاظ على البيانات الطيفية أثناء تحويل الصورة. بالإضافة إلى ذلك، يتم اقتراح التطبيق المحتمل للإطار على اضطرابات الدماغ الأخرى، مثل التوحد ومرض باركنسون، مع خطط لتطوير أداة قائمة على الويب لاكتشاف مختلف الشذوذات الدماغية باستخدام بيانات EEG.
مقدمة
تناقش مقدمة الورقة الرابط الحاسم بين ضعف الإدراك المعتدل (MCI) ومرض الزهايمر (AD) والخرف، مع التأكيد على الضرر العصبي الذي يكمن وراء هذه الحالات. يتم تحديد MCI كمؤشر سابق لـ AD، مع زيادة كبيرة في خطر التقدم إلى الخرف، لا سيما في الأفراد الذين تزيد أعمارهم عن 65 عامًا. إن انتشار MCI وAD عالميًا في تزايد، مع توقعات تشير إلى زيادة ثلاثية في الحالات بحلول عام 2050. الطرق التشخيصية الحالية، مثل التصوير بالرنين المغناطيسي (MRI) ومسح PET، مكلفة وتدخلية، مما يبرز الحاجة إلى بدائل أكثر سهولة. تقترح الورقة استخدام تخطيط الدماغ الكهربائي (EEG) كأداة تشخيصية واعدة نظرًا لتكلفتها المعقولة، وقابليتها للنقل، وقدرتها على التقاط أنماط موجات الدماغ.
تستعرض المقدمة أيضًا دراسات مختلفة استخدمت تقنيات التعلم الآلي (ML) والتعلم العميق (DL) لتصنيف MCI وAD باستخدام بيانات EEG. بينما حققت بعض الدراسات معدلات دقة عالية، إلا أنها غالبًا ما واجهت قيودًا مثل أحجام العينات الصغيرة والتحديات في التصنيف متعدد الفئات. يجادل المؤلفون بأن الطرق التقليدية للتعلم الآلي تتطلب استخراج ميزات واختيارًا واسع النطاق، مما يمكن أن يعيق الأداء مقارنةً بالأساليب العميقة التي تتعلم الميزات تلقائيًا. لمعالجة هذه التحديات، تقدم الورقة شبكة التعرف على تدهور الإدراك (CDR-Net)، وهو إطار جديد مصمم لتعزيز اكتشاف AD وMCI باستخدام بيانات EEG. تستخدم CDR-Net نموذج شبكة عصبية تلافيفية مخصصة (CNN)، والتي تعالج بيانات EEG المحولة إلى صور، مما يحسن دقة التصنيف ويقلل من التكاليف الحاسوبية. ستفصل الأقسام اللاحقة من الورقة إطار CDR-Net، والنتائج التجريبية، والمناقشات حول آثارها على الأبحاث المستقبلية.
طرق
في قسم الطرق، يصف المؤلفون إعداد التجربة والأدوات المستخدمة في هيكل CDR-Net. يتم إجراء المعالجة المسبقة للبيانات، والتي تشمل تقليل عينة الإشارة، وإزالة الضوضاء، والتقسيم، وتوليد صور ملونة بدقة 8 بت، باستخدام MATLAB R2021B. بالنسبة للمراحل اللاحقة من استخراج الميزات، والتصنيف، وتقييم الأداء، والتحقق المتقاطع، يستخدم المؤلفون بيئة بايثون عبر Jupyter Notebook. يتم تنفيذ المهام الحاسوبية على جهاز كمبيوتر يعمل بنظام Windows مزود بـ 256 جيجابايت من ذاكرة الوصول العشوائي، ومعالج AMD Ryzen Threadripper PRO 3995WX 64-Core 2.70 GHz، وبطاقة رسومات NVIDIA RTX A6000.
بالإضافة إلى ذلك، تشير القسم إلى مصفوفة الارتباك النموذجية المقدمة في الجدول 3، والتي توضح نتائج التصنيف لثلاث فئات – الأشخاص الأصحاء (HS)، وضعف الإدراك المعتدل (MCI)، ومرض الزهايمر (AD) – أثناء تصنيف MCI. توفر مصفوفة الارتباك رؤى حول الإيجابيات الحقيقية (TP)، والسلبيات الكاذبة (FN)، والإيجابيات الكاذبة (FP) لكل فئة، مما يبرز أداء النموذج في التمييز بين هذه الحالات.
نتائج
تظهر نتائج الدراسة فعالية إطار CDR-Net المقترح في تصنيف ضعف الإدراك المعتدل (MCI) ومرض الزهايمر (AD) والأشخاص الأصحاء (HS) بدقة. تم تحديد حجم الدفعة الأمثل (BS) للتصنيف ليكون 128، مما أسفر عن أعلى دقة متوسطة تبلغ 99.59%، وحساسية 99.49%، وخصوصية 99.67%، ومعدل إيجابيات كاذبة (FPR) يبلغ 0.33%. تم تقييم مقاييس الأداء عبر أحجام دفعات مختلفة (32 و64 و128 و256)، مما يكشف أنه بينما أظهر BS 32 نقصًا في التكيف، تفوق BS 128 باستمرار على الآخرين عبر عدة طيات. حقق الإطار دقة متوسطة تبلغ 98.92% لـ MCI و99.31% لـ AD عند BS 128، مع ملاحظة تدهور كبير في الأداء عند أحجام دفعات أعلى بسبب الإفراط في التكيف.
أكدت التحليلات الإحصائية، بما في ذلك اختبارات t المزدوجة واختبارات رتبة ويلكوكسون، تفوق نموذج BS 128، مع قيم p منخفضة للغاية تشير إلى اختلافات أداء كبيرة. استخدمت الدراسة أيضًا التحقق المتقاطع Leave-One-Out (LOOCV) للتحقق من استقرار النموذج، مما يدعم المزيد من النتائج التي تشير إلى أن BS 128 هو الأمثل. بالإضافة إلى ذلك، سلطت دراسة الإزالة الضوء على قوة البنية المقترحة مقارنةً بنماذج CNN المعروفة، التي أدت أداءً ضعيفًا على مجموعة بيانات EEG. بشكل عام، يظهر إطار CDR-Net أداءً عاليًا في التصنيف وكفاءة، مما يجعله أداة واعدة لاكتشاف مختلف اضطرابات الدماغ.
مناقشة
يهدف إطار CDR-Net المقترح إلى تعزيز اكتشاف العديد من أمراض الدماغ، وخاصة مرض الزهايمر (AD) وضعف الإدراك المعتدل (MCI) والأشخاص الأصحاء (HS)، باستخدام بيانات تخطيط الدماغ الكهربائي (EEG). يتكون الإطار من أربع مراحل: جمع البيانات، والمعالجة المسبقة، والتقسيم، والتصنيف. تم جمع بيانات EEG من 109 مشاركين، بما في ذلك 49 مريضًا بـ AD، و37 مريضًا بـ MCI، و23 شخصًا صحيًا. لتوحيد البيانات، تم تقليل عينات إشارات EEG الخام من 1024 هرتز إلى 256 هرتز، وتمت إزالة الضوضاء باستخدام تحويل الموجات الثابتة (SWT)، وتم تقسيمها إلى إطارات مدتها 5 ثوانٍ، والتي تم تحويلها بعد ذلك إلى صور ملونة بدقة 8 بت لإدخالها في نموذج شبكة عصبية تلافيفية مخصصة (CNN). يتضمن هذا النموذج عدة طبقات تلافيفية وطبقات تجميع، مما يؤدي إلى مصنف softmax للتصنيف متعدد الفئات.
أظهر تقييم أداء إطار CDR-Net نتائج مثيرة للإعجاب، محققًا دقة تصنيف متعددة الفئات متوسطة، وحساسية، ومعدلات خصوصية تبلغ 99.25% و99.13% و99.32% على التوالي. تم التحقق من قوة النموذج من خلال تقنيات التحقق المتقاطع 10-fold وleave-one-out (LOOCV)، مما يضمن استقراره وموثوقيته في التمييز بين AD وMCI وHS. تسلط الدراسة الضوء على قيود طرق التعلم الآلي التقليدية، التي غالبًا ما تواجه صعوبات في التصنيف متعدد الفئات بسبب الاعتماد على استخراج الميزات اليدوي وأحجام العينات الصغيرة. في المقابل، يستفيد إطار CDR-Net بشكل فعال من قدرات التعلم العميق لاستخراج الميزات بشكل تلقائي من بيانات EEG المعقدة، مما يحسن بشكل كبير من أداء التصنيف ويقلل من التكاليف الحاسوبية.
DOI: https://doi.org/10.1371/journal.pone.0346576
PMID: https://pubmed.ncbi.nlm.nih.gov/42008601
Publication Date: 2026-04-20
Author(s): Ashik Mostafa Alvi et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research addresses the challenges in diagnosing Alzheimer’s disease (AD) and mild cognitive impairment (MCI), which are prevalent among the elderly and often lead to fatal outcomes. Traditional machine learning classifiers have limitations due to their shallow architectures, hindering timely and accurate diagnoses. To overcome these issues, the study introduces the Cognitive Decline Recognition Network (CDR-Net), which utilizes electroencephalography (EEG) for diagnosing MCI, AD, and healthy subjects. This approach is advantageous as EEG is a non-invasive, cost-effective alternative to more complex imaging techniques. The CDR-Net architecture encompasses data acquisition, preprocessing, feature extraction, classification, and performance assessment, achieving impressive multiclass accuracy, sensitivity, and specificity rates of 99.25%, 99.13%, and 99.32%, respectively.
In the conclusion, the CDR-Net system is highlighted for its efficiency and accuracy in identifying AD and MCI from EEG data, with a focus on reducing diagnosis time and enhancing performance compared to existing methods. The preprocessing stage is emphasized to address artifacts and inconsistencies in the initial EEG data, utilizing techniques such as stationary wavelet transform (SWT) for noise reduction and down-sampling to 256 Hz. The study indicates that future work should involve increasing the sample size to improve classifier performance and exploring the preservation of spectral data during image conversion. Additionally, the potential application of the framework to other brain disorders, such as autism and Parkinson’s disease, is suggested, along with plans to develop a web-based tool for detecting various brain abnormalities using EEG data.
Introduction
The introduction of the paper discusses the critical link between mild cognitive impairment (MCI), Alzheimer’s disease (AD), and dementia, emphasizing the neuronal damage that underlies these conditions. MCI is identified as a precursor to AD, with a significantly heightened risk of progression to dementia, particularly in individuals over 65 years of age. The global prevalence of MCI and AD is on the rise, with projections indicating a threefold increase in cases by 2050. Current diagnostic methods, such as MRI and PET scans, are costly and invasive, highlighting the need for more accessible alternatives. The paper proposes electroencephalography (EEG) as a promising diagnostic tool due to its affordability, portability, and ability to capture brain wave patterns.
The introduction also reviews various studies that have employed machine learning (ML) and deep learning (DL) techniques for the classification of MCI and AD using EEG data. While some studies achieved high accuracy rates, they often faced limitations such as small sample sizes and challenges in multiclass classification. The authors argue that traditional ML methods require extensive feature extraction and selection, which can hinder performance compared to DL approaches that automatically learn features. To address these challenges, the paper introduces the Cognitive Decline Recognition Network (CDR-Net), a novel framework designed to enhance the detection of AD and MCI using EEG data. CDR-Net utilizes a custom convolutional neural network (CNN) model, which processes EEG data transformed into images, thereby improving classification accuracy and reducing computational costs. The subsequent sections of the paper will detail the CDR-Net framework, experimental results, and discussions on its implications for future research.
Methods
In the Methods section, the authors describe the experimental setup and tools utilized for the CDR-Net structure. The preprocessing of data, which includes signal down sampling, denoising, segmentation, and the generation of 8-bit color images, is performed using MATLAB R2021B. For the subsequent phases of feature extraction, classification, performance assessment, and cross-validation, the authors employ a Python environment via Jupyter Notebook. The computational tasks are executed on a Windows computer equipped with 256 GB of RAM, an AMD Ryzen Threadripper PRO 3995WX 64-Core 2.70 GHz CPU, and an NVIDIA RTX A6000 graphics card.
Additionally, the section references a sample confusion matrix presented in Table 3, which illustrates the classification outcomes for three classes—Healthy Subjects (HS), Mild Cognitive Impairment (MCI), and Alzheimer’s Disease (AD)—during the classification of MCI. The confusion matrix provides insights into true positives (TP), false negatives (FN), and false positives (FP) for each class, highlighting the model’s performance in distinguishing between these conditions.
Results
The results of the study demonstrate the effectiveness of the proposed CDR-Net framework in accurately classifying Mild Cognitive Impairment (MCI), Alzheimer’s Disease (AD), and Healthy Subjects (HS). The optimal batch size (BS) for classification was determined to be 128, yielding the highest average accuracy of 99.59%, sensitivity of 99.49%, specificity of 99.67%, and a false positive rate (FPR) of 0.33%. Performance metrics were evaluated across various batch sizes (32, 64, 128, and 256), revealing that while BS 32 exhibited underfitting, BS 128 consistently outperformed others across multiple folds. The framework achieved an average accuracy of 98.92% for MCI and 99.31% for AD at BS 128, with significant performance degradation observed at higher batch sizes due to overfitting.
Statistical analyses, including paired t-tests and Wilcoxon signed-rank tests, confirmed the superiority of the BS 128 model, with extremely low p-values indicating significant performance differences. The study also employed Leave-One-Out Cross-Validation (LOOCV) to validate model stability, further supporting the findings that BS 128 is optimal. Additionally, an ablation study highlighted the robustness of the proposed architecture compared to established CNN models, which underperformed on the EEG dataset. Overall, the CDR-Net framework exhibits high classification performance and efficiency, making it a promising tool for detecting various brain disorders.
Discussion
The proposed CDR-Net framework aims to enhance the detection of multiple brain diseases, specifically Alzheimer’s Disease (AD), Mild Cognitive Impairment (MCI), and Healthy Subjects (HS), using electroencephalogram (EEG) data. The framework comprises four phases: data acquisition, preprocessing, segmentation, and classification. EEG data were collected from 109 participants, including 49 AD, 37 MCI, and 23 HS subjects. To standardize the data, raw EEG signals were down-sampled from 1024 Hz to 256 Hz, denoised using stationary wavelet transform (SWT), and segmented into 5-second frames, which were then converted into 8-bit color images for input into a custom convolutional neural network (CNN) model. This model incorporates multiple convolutional and pooling layers, culminating in a softmax classifier for multiclass classification.
Performance evaluation of the CDR-Net framework demonstrated impressive results, achieving average multiclass classification accuracy, sensitivity, and specificity rates of 99.25%, 99.13%, and 99.32%, respectively. The model’s robustness was validated through 10-fold and leave-one-out cross-validation (LOOCV) techniques, ensuring its stability and reliability in distinguishing between AD, MCI, and HS. The study highlights the limitations of traditional machine learning approaches, which often struggle with multiclass classification due to reliance on manual feature extraction and smaller sample sizes. In contrast, the CDR-Net framework effectively leverages deep learning capabilities to autonomously extract features from complex EEG data, significantly improving classification performance and reducing computational costs.