Alzheimer’s disease detection in PSG signals

要約

アルツハイマー病（AD）と睡眠障害は密接な関連を示し、睡眠パターンの乱れが軽度認知障害（MCI）や早期ADの発症に先行することが多い。本研究では、睡眠ポリグラフ検査（PSG）で得られた睡眠関連脳波信号をADの早期発見に利用する可能性について検討する。私たちの主な焦点は、データの利用可能性が限られていることを特徴とする臨床シナリオのため、EEG信号の分類のための半教師付きディープラーニング技術を探求することである。この方法論は、教師ありXCMモデルおよび教師なし隠れマルコフモデル（HMM）に対してベンチマークされた、半教師ありSMATEおよびTapNetモデルの性能をテストおよび比較することを含む。本研究では、各睡眠段階について独立した分析を行い、空間的・時間的分析能力の重要性を強調した。その結果、限られたラベル付きデータを活用するSMATEの有効性が実証され、すべての睡眠段階にわたって安定した測定基準を達成し、教師ありの形態では90％の精度に達した。比較分析により、SMATEがTapNetやHMMよりも優れた性能を発揮する一方、XCMは教師ありのシナリオにおいて92～94%の精度で優れていることが明らかになった。これらの結果は、早期AD検出における半教師付きモデルの可能性を強調するものであり、特にラベル付きデータの不足に伴う課題を克服するものである。アブレーションテストは、半教師付き予測性能における時空間特徴抽出の重要な役割を確認し、t-SNE可視化は、ADパターンを区別するモデルの熟練度を検証した。全体として、本研究は、革新的なDeep LearningアプローチによるAD検出の進歩に貢献し、データの限界に対処するための半教師付き学習の重要な役割を強調する。

要約(オリジナル)

Alzheimer’s disease (AD) and sleep disorders exhibit a close association, where disruptions in sleep patterns often precede the onset of Mild Cognitive Impairment (MCI) and early-stage AD. This study delves into the potential of utilizing sleep-related electroencephalography (EEG) signals acquired through polysomnography (PSG) for the early detection of AD. Our primary focus is on exploring semi-supervised Deep Learning techniques for the classification of EEG signals due to the clinical scenario characterized by the limited data availability. The methodology entails testing and comparing the performance of semi-supervised SMATE and TapNet models, benchmarked against the supervised XCM model, and unsupervised Hidden Markov Models (HMMs). The study highlights the significance of spatial and temporal analysis capabilities, conducting independent analyses of each sleep stage. Results demonstrate the effectiveness of SMATE in leveraging limited labeled data, achieving stable metrics across all sleep stages, and reaching 90% accuracy in its supervised form. Comparative analyses reveal SMATE’s superior performance over TapNet and HMM, while XCM excels in supervised scenarios with an accuracy range of 92 – 94%. These findings underscore the potential of semi-supervised models in early AD detection, particularly in overcoming the challenges associated with the scarcity of labeled data. Ablation tests affirm the critical role of spatio-temporal feature extraction in semi-supervised predictive performance, and t-SNE visualizations validate the model’s proficiency in distinguishing AD patterns. Overall, this research contributes to the advancement of AD detection through innovative Deep Learning approaches, highlighting the crucial role of semi-supervised learning in addressing data limitations.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL