深圳个性化建网站公司,郑州自助建站软件,昆明网站建设c3sales,百度站长工具网站主要的帕金森脑电数据进行一些分类分析的文章。
帕金森病 2004 年至 2023 年脑电图研究的文献计量分析对于研究的分析以及关键研究和趋势从脑电图信号中检测帕金森病#xff0c;采用离散小波变换、不同熵度量和机器学习技术使用机器学习和深度学习方法分析不同模态的数据以诊…主要的帕金森脑电数据进行一些分类分析的文章。
帕金森病 2004 年至 2023 年脑电图研究的文献计量分析对于研究的分析以及关键研究和趋势从脑电图信号中检测帕金森病采用离散小波变换、不同熵度量和机器学习技术使用机器学习和深度学习方法分析不同模态的数据以诊断帕金森病综述帕金森病检测基于多模式分析和多尺度卷积神经网络帕金森病在 195 个国家和地区至 2050 年的患病率预测及其驱动因素全球疾病负担研究 2021 年建模研究基于静息态脑电图深度学习的帕金森病检测帕金森病检测基于静息态脑电图信号、常用空间模式、熵和机器学习技术
数据集:
帕金森病数据集(国内外合作,有T1扫描静息态)
下面的两个数据是常用的用于静息态脑电信号的帕金森病检测研究。
对于帕金森数据的参考文献和数据集来源。
本研究使用了两个开源的脑电图EEG数据集来测试所提出的方法。 San Diego 加利福尼亚大学的圣地亚哥分校提供了第一个数据集 37,38 。为简化起见该数据集被称为圣地亚哥数据集。表 2 包含了属于该数据集的患者和对照人群的参与者人口统计学信息。在数据收集过程中该数据集的受试者被要求舒适地坐着通过注视屏幕上的十字来放松。该数据集由两个组组成。第一组包含 16 名健康个体的脑电图而第二组包含 15 名帕金森病PD患者的脑电图。PD 患者的右手优势、性别、年龄和认知能力与 HC健康对照的评估结果非常相似评估方法为简易精神状态检查MMSE和北美成人阅读测试NAART。每位患者的病程平均为 4.5 至 3.5 年严重程度从轻度到重度不等根据 Hoehn 和 Yahr 量表 II 和 III。在两个不同的日子收集了 PD 患者在服药和未服药时的脑电图数据。健康受试者仅自愿参与一次。 在 512 Hz 的采样频率下使用 32 通道的 Biosemi 主动脑电图系统采集脑电图数据至少持续 3 分钟。使用 EEGLAB 软件移除了每个通道的均值并将所有数据重新参考到平均参考。使用 0.5 Hz 的高通滤波器以最小化低频漂移。手动分析了眼动、肌肉活动、电气噪声和其他噪声伪影并将其消除。
UNM数据集 54名参与者54分钟记录
d002: Parkinson’s Rests (27名患者静息态2分钟) d001: Parkinson’s Oddball (25名患者听觉oddball任务) d013: PD LPC Rest (41名患者静息态) d014: PD Interval Timing (92名参与者时间间隔任务)
第二组数据来源于新墨西哥大学UNM新墨西哥州阿尔伯克基的一项研究。为方便起见该数据集被称为 UNM 数据集。该数据集包括 27 名帕金森病PD患者和 27 名性别数量相等的健康人。表 2 还包含了属于该数据集的患者和对照人群的人口统计学信息。PD 组在相隔七天后两次返回实验室一次在服药期间另一次在停用各自特定的多巴胺能药物处方 15 小时后。因此该数据集包含了 27 名帕金森病患者在服药和停药期间的信息。对于每位患者和对照采集了持续两分钟的数据首先要求他们闭眼一分钟然后要求他们睁眼记录一分钟。使用 64 个 Ag/AgCl 通道以 500 Hz 的采样率获取脑电图EEG数据。采用在线 CPz 参考和 AFz 端接地使用 Brain Vision 数据采集系统。论文 40 详细介绍了数据采集方法。 为分析和评估所提出的技术我们使用了两个数据集中可用的 32 通道脑电图EEG数据见图 2。图 3 展示了非帕金森病off-PD、帕金森病on-PD和健康对照HC的电极图和脑电图功率谱密度以对数尺度表示。电极图显示了三个不同的任意频率6Hz、10Hz 和 22Hz。通常低频谱的功率密度高于高频谱的功率密度。比较这三个图谱时可以看到不同的功率谱密度模式。 新墨西哥大学数据 静息态和 3 刺激听觉偶发数据包括 25 名帕金森病患者和 25 名匹配对照者。在.xls 表格中还有一些受试者没有参与这项任务的脑电图数据。C’est la vie。帕金森病患者分两次参加间隔一周分别服用药物ON或不服用药物OFF。对照组只参加一次。任务使用 Matlab 编程语言实现包含睁眼和闭眼的指示。在任务前会进行一分钟的开眼OC或闭眼CO指令并记录触发信号。数据采集于 2015 年左右地点是新墨西哥大学认知节律与计算实验室。受试者最易颤抖的手上贴有加速度计记录 X、Y、Z 三个维度的数据。更多元数据请查看代码文件夹下的.xls 表格。此外还有代码可以复现该论文。
爱荷华大学帕金森病EEG数据集无法直接网页获取需要邮箱联系 数据集基本信息 包含14名帕金森病患者和14名健康对照者的EEG数据 Collection and analysis of a Parkinson speech dataset with multiple types of sound recordings - PubMed 2 该数据集来自爱荷华大学University of Iowa, UI在爱荷华市进行的研究 Parkinson Speech Dataset Dataset | Papers With Code EEG数据采样频率为0.1到多个频段 (PDF) Collection and Analysis of a Parkinson Speech Dataset With Multiple Types of Sound Recordings 数据获取方式 直接联系研究团队 联系邮箱nandakumar-narayananuiowa.edu KaggleNature 这是爱荷华大学Narayanan实验室的数据联系邮箱 学术引用和使用 该数据集在多篇学术论文中被引用通常标记为UI数据集 Collection and analysis of a Parkinson speech dataset with multiple types of sound recordings - PubMed 已被用于多项帕金森病EEG分析研究 建议步骤 发邮件给 nandakumar-narayananuiowa.edu 说明你的研究目的和用途 可能需要签署数据使用协议 说明你的机构信息和研究背景 这个数据集在帕金森病EEG研究领域相当知名被多篇高质量论文使用。由于是医疗数据通常需要通过正式渠道申请获取。
那拉扬实验室 在这个列表中提供了文章和代码附有帕金森的相关文章和数据。 可以说非常的全面了。 下面这些相关文章也值得推荐。 静息态脑电图测量帕金森病的认知障碍 Resting-state EEG measures cognitive impairment in Parkinson’s disease 显著性网络与帕金森病的认知障碍 Salience network and cognitive impairment in Parkinson’s disease 静息态脑电图区分帕金森病抑郁症 Resting-state EEG distinguishes depression in Parkinson’s disease的论文数据和代码。
国内非eeg的竞赛数据
相关工作汇总
第一篇PD和脑电图的核心相关文献04-23的统计
文章分析源:数据来源于 Web of Science 核心合集中的科学引文索引扩展版聚焦于 2004 年至 2023 年间与帕金森病PD脑电图EEG研究相关的文献。
总结 PD 领域 EEG 研究的现状。通过高频关键词共现分析和聚类分析关键词被用于识别该领域当前感兴趣的研究主题。最后识别出爆发型关键词以揭示该领域的新兴趋势和研究前沿突出兴趣点的转变并确定未来的研究方向。
领域相关学校和作者伦敦大学在发表数量方面居领先地位加利福尼亚大学紧随其后。发表数量最多的作者为 Brown P、Fuhr P 和 Stam C。
在总引文数和每篇论文引文数方面Stam C 的引文数最多而 Brown P 的 H 指数最高。在发表总数方面《临床神经生理学》Clinical Neurophysiology 是领先期刊而《脑》Brain 是引用率最高的期刊。
脑电图分析软件工具箱、神经振荡和帕金森病病理生理学研究。
神经振荡和连接性研究、脑电图分析创新研究、治疗对脑电图的影响研究以及认知和情绪评估研究。
神经振荡和连接性的研究仍然是研究的主要焦点。机器学习、深度学习和任务分析技术的应用为脑电图和帕金森病未来的研究提供了有前景的途径表明该领域有潜在的进步空间。
本文关于pd的描述
帕金森病PD是全球第二常见的中枢神经退行性疾病。它主要影响黑质纹状体多巴胺能系统并伴随其他非多巴胺能神经回路的退化Hayes2019。该疾病的主要临床表现为运动和非运动症状这些症状严重影响患者的生活质量和生存时间Reich 和 Savitt2019。异动症的诊断主要基于临床评估包括识别特征性运动症状如运动迟缓、震颤、僵硬、姿势不稳和步态障碍Bloem 等2021。将遗传标记与 MRI 和 DAT-SPECT 等成像技术相结合有助于将 PD 与其他类似运动障碍区分开来。此外嗅觉减退和快速眼动睡眠行为障碍等非运动症状在早期 PD 的诊断中具有重要价值。
脑电图EEG是一种关键的非侵入性方法用于评估脑活动具有高时间分辨率能够捕捉脑过程中快速动态变化Waninger 等人2020。它特别适用于研究神经振荡、脑网络连接以及各种刺激或认知任务对脑功能的影响。
在帕金森病PD中运动控制严重依赖于皮层区域之间的同步化和功能连接这些受到黑质-纹状体-丘脑回路动力学的影响Lalo 等人2008。这意味着 EEG 可以作为一种非侵入性和动态的工具用于检测 PD 患者皮层区域之间的同步化和功能连接以监测治疗反应和潜在的疾病进展。
搜索和纳入的文章
数据检索策略总结如下#1TS “帕金森病”OR 帕金森* OR “特发性帕金森病”OR “路易体帕金森病”OR “帕金森病路易体”OR “帕金森病特发性”OR “帕金森病特发性”OR “特发性帕金森病”OR “路易体帕金森病”OR “原发性帕金森病”OR “原发性帕金森病”OR “震颤麻痹”#2TS 脑电图 OR EEG OR 脑电图*最终数据集#1 AND #2
美国、德国、英国和意大利是主要的研究贡献者其中美国占 26.62%415 篇出版物德国占 15.19%412 篇出版物英国占 12.44%194 篇出版物意大利占 11.15%174 篇出版物。美国在 TC、h 指数和中心性方面也位居领先这进一步凸显了其在该领域的明显领导地位。值得注意的是尽管荷兰的发表量未进入前 5 名但其 ACPP 最高这表明其学术影响力和研究质量较高。
主要发表期刊
发表文章数量最多的期刊是《临床神经生理学》共发表 95 篇占总数的 6.09%其次是《运动障碍前沿》52 篇3.33%以及《神经影像学》42 篇2.69%。发表文章数量最多的期刊是《临床神经生理学》而《脑》期刊具有最高的 ACPP、最高的 H 指数和最高的影响因子IF表明其在研究领域具有高质量和权威性。所有期刊均被分为 Q1 或 Q2
此图可以看到相关重要的高被引文献。 根据您提供的表格和描述以下是与帕金森病Parkinson’s Disease, PD直接相关的文献列表并附上可访问的原文链接基于DOI或PubMed ID生成 研究帕金森的高被引文献 帕金森病相关文献共7篇 Rank 3 标题: Parkinsonism: onset, progression, and mortality 作者: Hoehn MM, Yahr MD (1967) 类型: Editorial Material 链接: PubMed 帕金森病的病程与死亡率研究 Rank 4 标题: Slowing of EEG in Parkinson’s disease 作者: Soikkeli R et al. (1991) 类型: Article 链接: PubMed 帕金森病患者的脑电图减慢特征 Rank 5 标题: Oscillatory Nature of Human Basal Ganglia Activity: Relationship to the Pathophysiology of Parkinson’s Disease 作者: Brown P (2003) 类型: Article DOI: 10.1016/S1388-2457(03)00067-3 基底节神经振荡与帕金森病理机制 Rank 6 标题: Pathological synchronization in Parkinson’s disease: networks, models and treatments 作者: Hammond C et al. (2007) 类型: Review DOI: 10.1016/j.tins.2007.05.004 帕金森病的病理性同步网络与治疗 Rank 8 标题: Slowing of oscillatory brain activity is a stable characteristic of Parkinson’s disease without dementia 作者: Stoffers D et al. (2007) 类型: Article 链接: PubMed 无痴呆帕金森病的脑振荡减慢特征 Rank 10 标题: Dopamine Dependency of Oscillations between Subthalamic Nucleus and Pallidum in Parkinson’s Disease 作者: Brown P et al. (2001) 类型: Article DOI: 10.1523/JNEUROSCI.21-3-01033.2001 帕金森病中丘脑底核-苍白球振荡的多巴胺依赖性 其他相关说明
Brown P 的两篇文献Rank 5 10均聚焦帕金森病的神经振荡机制是核心研究。图8B中提到的爆发文献如Oh et al., 2020未在表6列出需另查。您可通过标题搜索 “Deep Learning-Based Parkinson’s Disease Diagnosis Using EEG Signals” 非帕金森病相关文献如EEGLAB、Mini-Mental State等已排除。 关键词揭示和说明
根据您提供的关键词列表我将这些关键词进行主题分类和重要性排序重点关注帕金森病(PD)相关研究领域 帕金森病核心研究主题 疾病本体 Parkinsons disease (频率457)Parkinsons disease(pd) (频率27)Parkinson disease (频率35) 帕金森病本身是最核心关键词反映基础病理研究 神经机制与病理特征 Subthalamic nucleus (频率55) - PD治疗靶点Basal ganglia (频率35) - PD病变核心区域Oscillations (频率46) - PD特征性脑电节律异常Dopamine (频率40) - PD关键神经递质Pathological synchronization (隐含在Synchronization, 频率24) 诊断与生物标志物 Biomarker (频率26)Quantitative eeg (频率27)Coherence (频率25) - 脑网络连接指标Local field potentials (频率23) - DBS治疗监测 运动与认知症状 Gait (频率24) - PD典型运动症状Cognition (频率34)Cognitive impairment (频率19)Motor cortex (频率26) 相关神经退行性疾病
Dementia with lewy bodies (频率45) - PD相关痴呆Alzheimers disease (频率55) - 常与PD共病研究Mild cognitive impairment (频率38) - PD前期症状Neurodegeneration (频率19) - 共同病理机制 关键技术方法 电生理技术 EEG (频率280)Electroencephalography (频率164)Magnetoencephalography (频率32)Electrophysiology (频率19) 数据分析方法 Functional connectivity (频率47)Machine learning (频率41)Deep learning (频率23)Graph theory (频率18) - 脑网络分析 治疗技术 Deep brain stimulation (频率107) - PD黄金疗法Transcranial magnetic stimulation (频率20) 睡眠相关研究
Sleep (频率48) - PD非运动症状REM Sleep behavior disorder (频率22) - PD前驱标志Polysomnography (频率20) - 睡眠监测技术 研究趋势洞察 技术融合 EEG/PD交叉研究占主导关键词1-3结合新兴技术 机器学习/深度学习频率4123多模态技术EEGMEG32fMRI隐含 临床转化 高频关键词反映临床需求 生物标志物开发Biomarker客观诊断工具Quantitative eeg治疗监测Local field potentials 研究前沿 爆发性增长领域 脑网络分析Functional connectivityGraph theory神经振荡机制OscillationsSynchronization人工智能诊断Deep learningClassification 建议研究方向
EEG生物标志物结合Quantitative EEG和Deep learning开发PD早期诊断模型DBS优化通过Local field potentials实时调控Subthalamic nucleus刺激睡眠-运动关联用Polysomnography研究REM Sleep behavior disorder向PD转化机制多模态融合整合EEGMagnetoencephalography解析PD脑网络动态
主要贡献者和相关工作
牛津大学的布朗 P 教授发表了最多文章拥有最高的 H 指数和 TLS 指数对该领域产生了重大影响。他的团队进行了一系列研究阐明了异常脑电波特别是β振荡在帕金森病患者的基底神经节回路中的作用。这些异常振荡与帕金森病的僵硬和运动迟缓等特征相关Mallet 等人2008 年Litvak 等人2011 年Little 等人2012 年。此外这些振荡会受到深部脑刺激和药物治疗的影响Fischer 等人2019 年Muthuraman 等人2020 年。他们广泛使用脑电图研究这些振荡活动从而为它们在帕金森病病理和治疗疗效中的作用提供了关键见解。
阿姆斯特丹自由大学的斯塔姆 C 教授也是一位具有高影响力的学者。他不仅是该领域帕金森病研究中最多产的作者之一也是 TC 和 ACPP 指数最高的作者。他的贡献主要围绕阐明与帕金森病相关的复杂脑活动模式以及探索脑电图作为诊断和理解该疾病的工具的潜力。 他在帕金森病PD研究领域通过非线性动力系统视角运用脑电图EEG分析产生了重大影响Stam, 2005; Stam 和 van Straaten, 2012。
天津大学的一支团队包括朱 X、春 C 和刘 C 等人近年来一直活跃在这一领域。在他们的最新研究中他们探索了脑电图EEG中的时域和频域变化作为认知障碍的表现。通过招募早期 PD 患者并在深度学习识别的特定频段进行微态分析他们识别出与认知评估量表相关的独特 EEG 模式Liu 等人2023。这项研究揭示了轻度认知障碍MCI早期 PD 中的异常微态特征并为 PD 中 MCI 的早期识别提供了潜在的电生理标志物。
第二篇离散小波变换、不同熵度量和机器学习检测pd
结论
本研究提出了基于离散小波变换DWT的方法用于从静息态脑电图EEG信号中检测帕金森病PD。通过多种熵度量如对数能量熵、Shannon熵等从DWT分解和重构的信号中提取特征并使用机器学习技术进行分类。实验使用了两个公开数据集圣地亚哥数据集和UNM数据集结果表明结合DWT和改进的Shannon熵TShEn的方法在区分未服药PD患者与健康对照组HC时圣地亚哥数据集上准确率、敏感性和特异性分别达到99.89%、99.87%和99.91%在区分服药PD患者与HC时准确率、敏感性和特异性分别为94.21%、93.33%和95.00%。总体而言DWT结合多种熵度量的特征提取方法在PD检测中具有较高的准确性。
数据集是开头的两个。
引言和讨论
文章在引言和讨论部分对比了以下研究和方法
引言部分对比的研究和方法
使用深度学习方法的研究 Khare等人的研究采用平滑伪Wigner-Ville分布SPWVD和卷积神经网络CNN在SanDiego数据集上达到100%的分类准确率。Loh等人的研究提出Gabor变换结合二维CNN的方法在SanDiego数据集上分类准确率达到99.44%。Shah等人的研究开发了基于动态系统生成的混合神经网络DGHNet分类准确率为99.2%。Lee等人的研究提出CNN和门控循环单元GRU结合的循环神经网络RNN方法分类准确率为99.2%。 使用机器学习方法的研究 Liu等人的研究基于离散小波变换DWT和样本熵使用基于最优中心构造覆盖算法的三向决策模型在中国数据集上达到92.68%的分类准确率。Yuvaraj等人的研究采用更高阶谱HOS特征提取方法结合多种机器学习模型如贝叶斯决策树、k近邻等在马来西亚数据集上分类准确率范围为90.6%99.6%。Md Fahim Anjum等人的研究利用线性预测编码LPC区分PD和HC的频谱EEG特征在马来西亚数据集上分类准确率达到85.3%。Khare等人的另一项研究使用DWT分解EEG信号为多个子带通过统计测量提取特征使用最小二乘支持向量机LS-SVM分类对未服药PD和HC的分类准确率为96.13%对服药PD和HC的分类准确率为97.65%。Aljalal等人的研究结合公共空间模式CSP和熵提取PD/HC特征使用支持向量机SVM和k近邻KNN分类器在SanDiego和UNM数据集上分类准确率分别为99%和99.41%。
讨论部分对比的研究和方法
基于SanDiego数据集的对比 对比了在SanDiego数据集上使用相同数据集的几项研究 Gabor变换二维CNN的方法Loh等人使用该方法在SanDiego数据集上分类准确率为99.44%。SPWVDCNN的方法Khare等人采用该方法分类准确率达到99.84%。DWT统计测量LS-SVM的方法Khare等人的方法对未服药PD和HC的分类准确率为96.13%。CSP熵KNN的方法Aljalal等人的方法在KNN分类器下分类准确率为99.41%。本研究的方法本研究使用DWT不同熵度量的方法在KNN分类器下对未服药PD和HC的分类准确率达到99.89%优于对比的其他方法。 基于UNM数据集的对比 对比了在UNM数据集上使用相同数据集的几项研究 CNNLSTM的混合深度神经网络Shah等人仅研究了未服药PD与服药PD的分类问题准确率为99.2%。LPC超平面的方法Md Fahim Anjum等人的方法在UNM数据集上分类准确率为85.40%。CSP熵SVM/KNN的方法Aljalal等人的方法在UNM数据集上对未服药PD与HC、服药PD与HC以及未服药PD与服药PD的分类准确率分别为98.81%、98.77%和98.73%。本研究的方法本研究使用DWTTShEnSVM方法在未服药PD与HC分类问题上达到99.51%的准确率在未服药PD与服药PD分类问题上达到99.39%的准确率使用DWTThEnKNN方法在服药PD与HC分类问题上达到99.52%的准确率整体优于对比的其他方法。
方法
数据预处理对EEG信号进行去噪、重新参考和带通滤波处理以去除主要伪影并保留0.5-32 Hz的频段。DWT分解与重构使用db4小波对预处理后的信号进行分解得到近似和细节系数并分别重构信号以提高时间分辨率。特征提取从重构信号中提取多种熵度量如对数能量熵、Shannon熵、阈值熵等以及能量和带功率等特征。分类器采用逻辑回归LR、线性判别分析LDA、随机森林RF、支持向量机SVM和k-近邻KNN等机器学习技术进行分类。通道选择使用前向消除算法FA选择最相关的EEG通道以减少通道数量并提高分类精度。
重要过程和创新点 DWT应用采用DWT对EEG信号进行分解和重构以提高信号在低频段的时间分辨率这有助于更好地分析PD患者和健康对照组之间的脑电活动差异。 多种熵度量结合除传统的Shannon熵外本研究还引入了对数能量熵、阈值熵、Sure熵和范数熵等其他熵度量方法以更全面地捕捉EEG信号的复杂性和随机性。 机器学习技术结合多种机器学习算法对提取的特征进行分类比较不同分类器的性能发现KNN和SVM分类器在多数特征提取方法下表现最佳。 通道选择优化通过FA算法研究发现从多个脑区选择适当数量的通道可以提高分类精度而不仅仅依赖于特定脑区的通道。这有助于减少所需通道数量使PD检测更具实用性。 数据集验证在两个公开数据集上进行验证确保了研究结果的可靠性和可重复性。通过与其他研究方法的比较本研究的方法在准确性和复杂性之间取得了良好的平衡为PD的自动化检测提供了一种有效的解决方案。
第三篇综述非脑电语音 非EEG数据但是包括MRI 因为主要讨论EEG。但是这个综述是没有考虑EEG数据的。不进行深入记录。 背景的讨论应该比较全面先放过来。
回顾了 2018 年至 2024 年间发表的文章。
选择了 70 篇研究文章用于我们的综述论文。根据我们的综述大多数研究都利用了语音数据。 我们的综述研究发现在大多数论文中最高准确率水平超过 90%最常用的算法是 CNN 和 SVM。本综述研究的主要目标是探讨和整合关于人工智能特别是机器学习如何用于发现帕金森病的信息。
引言讨论特征和机器学习
从病理出发讨论有什么可以用于进行分类判断的依据。
帕金森病影响 60 岁以上成年人的 2%至 3%是第二常见的神经退行性疾病。在过去 25 年间受帕金森病PD影响的患者数量翻了一番。越来越多的人因 PD 而残疾或死亡超过其他任何一种退行性疾病。2019 年PD 导致 329,000 人死亡自 2000 年以来增加了约 100%。此外2019 年 PD 导致 580 万伤残调整生命年DALYs自 2000 年以来增加了 81%世界卫生组织2022 年。
其特征是中脑黑质中多巴胺能神经元的死亡中脑黑质是中枢神经系统CNS的一部分Dickson2018 年。其症状逐渐出现并随时间恶化。 帕金森病的症状分为两种运动症状和非运动症状Gunduz2019 年。 运动迟缓、震颤、僵硬和姿势不稳都是运动症状。 另一方面抑郁、嗅觉缺失和痴呆是非运动症状克利夫兰诊所2022 年。
目前尚无治愈帕金森病的方法但存在多种治疗手段如基于多巴胺的治疗方法有助于缓解部分非运动症状以及一些高级别的治疗方法例如左旋多巴卡比多口服混悬液或深部脑刺激Armstrong and Okun 2020。
在神经病学领域存在多种技术可以单独使用或组合使用以支持临床诊断。其中最常用的技术之一是单光子发射计算机断层扫描SPECT。语音障碍是帕金森病患者的主要症状之一。因此通过分析语音数据如语音和发声数据可以更精确地预测和识别帕金森病。帕金森病的另一个主要症状是步态冻结。为了确定个体是否患有帕金森病可以通过放置在个体脚下的传感器采集这些数据Shivangi, Johri, and Tripathi 2019。也可以通过使用行走时的可穿戴传感器进行检测El-Attar et al. 2018。如今许多其他疾病如癌症也使用基于可穿戴传感器的数据进行检测Faruqui et al. 2021。检测帕金森病的一种无创方法是手写测试。长期以来该方法在医院中得到了应用。对于 PD 语音检测顺序深度神经网络DNN和自动编码器神经网络是有效的。DNN 可用于从 VGFR 数据中确定 PD。 此外CNN 在 PET/CT 图像分类、DaTSCAN 图像分类和磁共振成像领域排名领先Aurna 等人2022 年Ghosh 等人2023 年Palash 和 Yousuf2024 年。FNN 在医学图像分类方面表现出效。图像或视频中的人类活动识别Mim 等人2023 年也可用于诊断帕金森病。此外深度学习的最新进展以及胸部 CT 扫描和 X 射线图像分析也实现了 COVID-19 疾病的检测Ahamed 等人2021 年。ANN 在从手写图像中识别 PD 方面表现良好Alzubaidi 等人2021 年。
对应用于不同类型数据的机器学习算法进行综合综述。我们还总结了所选综述文章中使用的不同预处理和性能矩阵技术。
分析利用了五种不同的模态步态冻结、传感器、语音、图像和视频来检测帕金森病。
对结果、数据集、检测技术、有效性和结果进行了系统回顾。
下面是交叉的人工智能较多的出版商。
Elsevier、IEEE、Taylor Francis、Springer、MDPI、Plos One
验证方法 大多数研究采用了交叉验证技术如 k 折交叉验证、LOSO、LOOCV 等
不对这些方法进行展开可以在原文进行查看。
这些其他数据的相关数据源语音相关
该数据集由牛津大学和语音与语言国家中心的 Max Little 编制。该数据集包含 31 名个体的语音测量数据其中 23 人患有帕金森病PD。表格中的每一列代表评估一个人语音的不同方法每一行代表这些个体 195 次语音录音中的一次。link
远程监测 牛津大学的研究人员 Athanasios Tsanas 和 Max Little 编制了该数据集。在一个为期六个月的研究中使用远程监测设备对早期帕金森病症状进展进行监测的 42 名被诊断出患有早期帕金森病的个体参与了该研究。该数据集包含 5875 次音频录音的信息。在该数据集中包含参与者的年龄和性别信息、自基线招募以来的时间长度、运动和语音的 UPDRS 评分以及 16 项语音生物测量指标link
该数据集由伊斯坦布尔大学神经病学系塞拉哈普萨医学院制作。数据来自 188 名帕金森病PD患者其中 107 名为男性81 名为女性。他们的年龄在 33 至 87 岁之间平均年龄 65.1±10.9。对照组由 64 名健康人组成年龄在 41 至 82 岁之间平均年龄 61.1±8.9。该组中有 23 名男性41 名女性。在数据收集过程中麦克风设置为 44.1 Hz。每位被试者被要求发出元音/a/三次以便录制声音link
该数据集同样由伊斯坦布尔大学塞拉哈帕萨医学院神经病学系整理。PD 数据集中包含实践和现实世界案例。训练数据来自不同人群20 名残疾人6 名女性和 14 名男性和 20 名健康人10 名女性和 10 名男性。每个语音样本都使用一组 26 个线性以及基于时间和频率的特征分解为其组成部分。为创建测试数据集对 28 名 PD 患者分别发出三次持续元音“a”和“o”的录音共 168 次。在此数据集中所有语音样本均使用相同方法处理提取相同的 26 个特征link
该数据集可通过 mPower 的公共数据门户获取。参与者可利用它进行自我引导的、稳健且具有美学吸引力的知情同意程序。可在 Apple App Store 上获取的 mPower 应用程序于 2015 年 3 月开发用于评估帕金森病PD症状的严重程度以及 PD 患者的治疗反应。参与者回答了包括其一般人口统计学信息和病史在内的问题。目前有超过 65,000 个语音任务的信息可用。为使信息不丢失整个数据集采用 44.1 kbps 比特率的 Apple 无损音频编解码器ALAC进行录制
共 93 名特发性帕金森病患者平均年龄 66.3 岁63%为男性和 73 名健康对照者进行了步态分析并录入数据库平均年龄66.3 岁55%为男性。参与者的正常、自我选择行走速度在平坦地面上约 2 分钟内被记录同时记录了其垂直地面反应力。每只脚都配备了八个传感器用于跟踪其随时间变化的受力情况单位牛顿。记录中包含两个信号分别指示每只脚八个传感器输出的总和数字记录的采样率为每个 16 个传感器每秒 100 个样本PhysioNet
Daphnet 该数据是通过佩戴在踝部小腿、膝盖上方和臀部配备三维加速度计的可穿戴设备收集的。数据以 64 Hz 的频率采集然后通过蓝牙连接传输以进行进一步分析。帕金森病患者被要求完成各种任务如直线行走、转弯行走以及完成多项日常生活活动例如进入不同房间时开门、取饮料以及其他类似任务。在 8 小时 20 分钟内收集了 10 个人的信息。在研究中8 名患者出现冻结步态FoG2 名患者没有link
第四篇帕金森病检测基于多模式分析和多尺度卷积神经网络2022
链接
引言
PD 的早期诊断。 进一步基于大脑活动探索 PD 特征实现 PD 患者包括 OFF 和 ON 药物治疗状态的有效检测本研究对 PD 患者的大脑功能活动进行了基于大脑激活和大脑功能连接的多模式分析。 提出了一种基于多尺度卷积神经网络MCNN的新型 PD 检测模型。 通过对两个独立静息态脑电图EEG数据集中多个频段功率谱密度PSD和锁相值PLV特征的分析我们发现 HC 组和 PD 组包括 OFF 和 ON 药物治疗状态在 PSD 和 PLV 上存在显著差异尤其在β和γ频段这些特征对于 PD 检测非常有效。
利用脑电功率谱密度PSD所代表的脑激活信息以及功能连接模式PLV所代表的功能连接模式能够有效提升帕金森病PD检测的性能。此外我们提出的基于多尺度卷积神经网络的模型MCNN在自动 PD 检测方面展现出巨大潜力交叉验证的准确率、灵敏度、特异性和受试者工作特征曲线下面积均超过 99%。
本篇进行了提取两个特征的融合后的svm分类和一个深度学习模型的分类。
数据预处理方式
预处理方式
0.5∼50 Hz 独立成分分析ICA去除噪声干扰包括眼动伪影、通道噪声和心跳。
取数据共有的32通道 Fp1、AF3、F7、F3、FC1、FC5、T7、C3、CP1、CP5、P7、P3、Pz、PO3、O1、Oz、O2、PO4、P4、P8、CP6、CP2、C4、T8、FC6、FC2、F4、F8、AF4、Fp2、Fz 和 Cz。 对于缺失的通道使用周围插值补齐 Pz 通道的数据缺失我们将周围 4 个通道即 P1、P2、CPz 和 POz的数据进行平均作为 Pz 通道的数据。
截取了加州大学圣地亚哥数据集中所有受试者的前三个和前两分钟的脑电图EEG数据以及爱荷华数据集中所有受试者的前三个和前两分钟的脑电图EEG数据。加州大学圣地亚哥数据集中的数据时长 3 分钟和爱荷华数据集中的数据时长 2 分钟分别被划分为 180 个时间样本和 120 个时间样本。 经过预处理后加州大学圣地亚哥数据集中每个受试者的脑电图EEG数据被整理为 32 × 512 × 180通道数 × 采样点数 × 时间样本数的大小而爱荷华数据集中每个受试者的脑电图EEG数据被组织为 32 × 500 × 120通道数 × 样本数 × 时间样本数的大小。
为了更全面地反映脑功能我们不仅分析了能够反映脑局部激活的特征还分析了能够反映脑功能网络的特征。具体而言我们选取了在脑电图数据处理中常用的功率谱密度PSD和锁相值PLV分别作为反映局部脑激活和脑功能连接的两种模式。
功率谱密度可以反映每个脑区每个频段中脑电图EEG的能量分布而**相干度PLV**可以反映每个脑区脑电信号的相位同步关系。
对预处理后的脑电图数据进行了离散傅里叶变换以计算五个频段即δ波 1-4 Hz、θ波 4-8 Hz、α波 8-12 Hz、β波 13-30 Hz 和γ波 30-48 Hz中每个通道的功率值。
相位锁定值PLV通常用于评估脑电图电极对之间相位角差随时间的分布范围这可以反映大脑神经活动的长程同步变化Lachaux 等人1999 年。连接性通过这种分布范围进行测量使得两个电极之间强烈聚集的相位差导致 PLV 接近 1这表明信号之间存在强连接性。
如果 PLV 为 0则两个脑电图通道电极的信号之间不存在相位依赖性。为了获得 PLV我们首先使用 Hamming Plus A 窗函数有限脉冲响应FIR滤波器对预处理后的脑电图数据在目标感兴趣频段进行滤波。 关注五个频段包括δ、θ、α、β和γ频段。然后使用希尔伯特变换计算信号的瞬时相位。
基于分析的 PSD 和 PLV 特征我们进一步使用传统机器学习方法ML 方法和深度学习方法DL 方法对帕金森病PD患者包括 PD_ON 和 PD_OFF和健康对照HC进行分类。在机器学习方法中我们应用了传统的支持向量机SVM算法在深度学习方法中我们提出了一种基于多尺度卷积神经网络MCNN的新型深度学习模型。此外为了验证激活特征和功能连接特征的多模式分析在 PD 检测中的有效性我们将 PSD 和 PLV 特征结合起来形成 PSDPLV 混合特征用于分类。所有用于分类的特征在输入分类模型之前都进行了归一化处理包括 PSDPLV 混合特征。
分类模型运用支持向量机SVM和提出的多尺度卷积神经网络MCNN模型对PD患者包括服用药物和未服用药物的PD患者和HC进行分类。MCNN模型基于传统CNN网络LeNet-5改进增加了网络层数并引入残差学习思想通过两个不同子网络分别提取输入特征矩阵的一维和二维尺度信息以实现多模式和多尺度信息的融合。
SVM分类基于PSD特征的分类准确率在β和γ频段高于70%基于PLV特征的分类准确率在β和γ频段高于80%其中HC vs.PD的最高准确率为94.36%。将PSD特征和PLV特征组合形成的PSDPLV混合特征用于分类可进一步提高分类准确率、敏感性和特异性尤其在γ频段的HC vs.PD分类中准确率、敏感性和特异性均超过90%。
MCNN模型分类在两个数据集上的二分类和三分类任务中均表现出色基于γ频段的PSDPLV特征对HC vs.PDIowa数据集的分类准确率、敏感性和特异性均超过99%在PD_OFF vs.PD_ONγ频段的分类中准确率、敏感性和特异性分别提高了7.87%、7.37%和8.16%。在UC San Diego数据集上的三分类实验中基于γ频段的PSDPLV混合特征的准确率达到95.50%。与SVM模型相比MCNN模型在所有情况下均展现出更好的分类性能其ROC曲线下的AUC值也均高于SVM模型。
通过基于脑激活和脑功能连接的多模式分析发现PD患者在静息态EEG的β和γ频段的PSD和PLV特征与HC存在显著差异这些特征可用于有效检测PD包括服用和未服用药物的患者且将脑激活模式和功能连接模式相结合可有效提升PD检测性能。 提出的MCNN模型在两个独立数据集上均显示出对PD的高精度检测潜力其交叉验证的准确率、敏感性、特异性和ROC曲线下面积均超过99%有望为基于自发EEG活动的未来PD诊断提供新思路。
第五篇基于统计回归方法的各种社会因素对比
此处不进行探讨和记录。
第六篇 基于静息态脑电图深度学习的帕金森病检测
链接
第七篇 帕金森病检测基于静息态脑电图信号、常用空间模式、熵和机器学习技术
链接
