Bringing medical advances from the lab to the clinic.
2024年10月29日，Mohamadreza Khosravi 等研究学者们在国际顶尖学术期刊 Scientific Reports 上发表题为 Fusing convolutional learning and attention-based Bi-LSTM networks for early Alzheimer’s diagnosis from EEG signals towards IoMT 的研究论文【2】。本研究提出的融合卷积学习和基于注意力的双向长短期记忆（CL-ATBiLSTM）模型，旨在通过分析EEG信号来实现对AD和MCI的早期诊断，这对于推动未来个性化医疗和智能健康监测系统的发展具有重要意义。
研究发现，CL-ATBiLSTM模型能够有效地区分AD、MCI和健康对照组，准确率高达96.52%，显示出在实际应用中的巨大潜力。
🔷 数据预处理：
使用离散小波变换（DWT）将EEG数据分解为不同的频率带，并对数据进行窗口化处理，以适应EEG信号的动态特性，并将这些窗口转换为频谱图，以直观展示脑活动在时间和频率上的分布。
🔷 特征提取与分类：
CL-ATBiLSTM模型利用卷积层捕捉空间特征，注意力机制强调关键数据，BiLSTM网络探索序列内的时间关系。通过贝叶斯优化对ATBiLSTM网络的超参数进行优化，提高了模型的泛化能力和分类准确性。
🔷 高准确率：
在包含AD、MCI和健康对照组（CO）的Figshare数据集上，CL-ATBiLSTM模型达到了96.52%的准确率，显示出该方法在实际应用中的潜力。
🔷 早期识别与干预：
通过包括MCI类别，该方法有助于更早期的识别和可能更具影响力的治疗干预。
🔷 模型优化：
研究中还采用了贝叶斯优化技术对模型的超参数进行微调，以获得最佳的模型配置，提高识别AD相关模式的敏感性和特异性。
🔷 特征图分析：
研究展示了从深度结构中提取的特征图，说明了模型是如何从频谱图中提取关键特征，并在不同层级中逐步精细化这些特征以进行准确分类。
上述研究结果表明，CL-ATBiLSTM模型能够有效地从EEG数据中提取区分性特征，以区分AD、MCI和健康对照组，为阿尔茨海默病的早期诊断和治疗提供了一个有力的工具。
本研究提出的CL-ATBiLSTM模型不仅能够以96.52%的高准确率区分阿尔茨海默病(AD)、轻度认知障碍(MCI)和健康对照组，为早期诊断和干预提供了强有力的工具，而且通过结合EEG信号分析与深度学习技术，为未来神经退行性疾病的诊断和研究开辟了新途径。
此外，该模型的高准确性和稳健性表明其在实际临床应用中的潜力，有助于优化患者护理并促进针对性治疗方案的发展，同时，该研究也为进一步探索EEG数据在神经科学领域的应用提供了科研启示，推动了智能医疗和精准医疗的进步。
原文链接：
