Остання редакція: 2025-11-25
Анотація
У роботі було обґрунтовано вибір ансамблю нейронних мереж DNN, RNN, LSTM та BiLSTM для діагностування хвороби Альцгеймера та фронтотемпоральної деменції на основі сигналів електроенцефалографа, які перетворюються у скалограми за допомогою неперервного вейвлет-перетворення (CWT). Програмне забезпечення для діагностування хвороби Альцгеймера та фронтотемпоральної деменції створено на мові програмування Python. Навчання та тестування програмного забезпечення відбувалось з використанням набору даних записів ЕЕГ у стані спокою 88 осіб, включаючи 36 осіб з діагнозом хвороба Альцгеймера (АГ), 23 з фронтотемпоральною деменцією (ФТД) і 29 здорових осіб. Розроблене програмне забезпечення має середню достовірність діагностування хвороби Альцгеймера та фронтотемпоральної деменції 95%, а кращий з аналогів – 93%.
Ключові слова
Посилання
- Zheng X, Wang B, Liu H, Wu W, Sun J, Fang W, et al. Diagnosis of Alzheimer’s disease via resting-state EEG: integration of spectrum, complexity, and synchronization signal features // Frontiers in Aging Neuroscience. – 2023. – Т. 15.
- Fouladi S, Safaei A, Mammone N, Gh F, Ebadi M J. Efficient Deep Neural Networks for Classification of Alzheimer’s Disease and Mild Cognitive Impairment from Scalp EEG Recordings // Cognitive Computation. – 2022. – Т. 14.
- Pasak S, Jayadi R. Investment Decision on Cryptocurrency: Comparing Prediction Performance Using ARIMA and LSTM // Journal of Information Systems and Informatics. – 2023. – Т. 5. – 407-427 с.
- Lal U, Chikkankod A V, Longo L. A Comparative Study on Feature Extraction Techniques for the Discrimination of Frontotemporal Dementia and Alzheimer’s Disease with Electroencephalography in Resting-State Adults // Brain Sciences. – 2024. – Т. 14.