Balancing Spectral, Temporal and Spatial Information for EEG-based Alzheimer’s Disease Classification

要約

将来の治療の見通しにより、アルツハイマー病 (AD) の費用対効果の高いスクリーニングの開発が正当化されます。
この点で有望な候補は、最も経済的な画像診断法の 1 つである脳波検査 (EEG) です。
EEG 解析における最近の取り組みは、グラフ信号処理やグラフ ニューラル ネットワークなどの新しいフレームワークを採用して、空間情報を活用する方向に移行しています。
ここでは、AD 分類の各次元の割合を変化させることにより、スペクトル情報または時間情報に対する空間情報の重要性を調査します。
そのために、2 つの日常的な EEG データセットでさまざまな次元解像度構成を体系的にテストします。
私たちの調査結果は、空間情報が時間情報よりも重要であり、スペクトル情報と同様に価値があることを示しています。
より大きな 2 番目のデータセットでは、スペクトルを空間情報に置き換えることで精度が 1.1% 向上しました。これは、EEG ベースの AD 分類における空間情報の重要性を強調しています。
私たちは、解像度ベースの特徴抽出が特に AD 分類を改善し、一般に多変量信号分類を改善する可能性があると主張します。

要約(オリジナル)

The prospect of future treatment warrants the development of cost-effective screening for Alzheimer’s disease (AD). A promising candidate in this regard is electroencephalography (EEG), as it is one of the most economic imaging modalities. Recent efforts in EEG analysis have shifted towards leveraging spatial information, employing novel frameworks such as graph signal processing or graph neural networks. Here, we investigate the importance of spatial information relative to spectral or temporal information by varying the proportion of each dimension for AD classification. To do so, we systematically test various dimension resolution configurations on two routine EEG datasets. Our findings show that spatial information is more important than temporal information and equally valuable as spectral information. On the larger second dataset, substituting spectral with spatial information even led to an increase of 1.1% in accuracy, which emphasises the importance of spatial information for EEG-based AD classification. We argue that our resolution-based feature extraction has the potential to improve AD classification specifically, and multivariate signal classification generally.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google