Využití spektrální analýzy EEG k diagnostice Alzheimerovy choroby

Abstract

Spektrální analýza EEG umožňuje přehledně analyzovat rytmickou aktivitu mozku, která se při patologických stavech mění. Příkladem takového stavu je Alzheimerova choroba (AD), která je příčinou demence. Cílem této práce je posoudit vhodnost příznaků získaných pomocí Gaborovy transformace (GT) pro diagnostiku AD. V této práci bylo porovnáváno 28 pacientů s diagnózou AD a 146 kontrolních subjektů. Pomocí GT byly získány spektrogramy signálů. Z nich byly jako příznaky vybrány střední hodnoty a rozptyl spektra. Jako klasifikační model byla zvolena regularizovaná regrese. Trénovací data pro model byla určena pomocí křížové validace. Úspěšnost klasifikace byla porovnávána s klasifikací dat na základě diskrétní Fourierovy transformace (DFT). Nejlepší klasifikace bylo dosaženo pro střední hodnotu spektra určenou z výsledků GT, která dosahovala úspěšnosti přes 80 %. Úspěšnost klasifikace dle příznaků získaných z DFT měla úspěšnost pouze 70 %. Realistický odhad správné klasifikace AD pacientů dle EEG záznamu se pohybuje v rozsahu 75-80 %, čehož se pomocí GT a regularizované regrese podařilo dosáhnout.

The spectral analysis of the EEG allows to analyse rythmical brain activity clearly due to its changes through pathological states. An example of that state is the Alzheimer's disease (AD) which causes a dementia. The aim of this thesis is to evaluate the appropriateness of attributes obtained by Gabor transform (GT) for AD diagnostics. There is a comparsion of 28 patients with the AD and 146 control normal records. The signal spectrograms were acquired from GT. The mean and spectrum variance were selected as the attributes gained from the spectrograms. A regularized regression was chosen as the classification model. The training data used by the model were determined using cross validation. The success of the classification was compared to discrete Fourier transform (DFT) results. The best clasiffication rate was obtained for mean of spectra from GT results which reached over 80 % of success. The classification rate gained for DFT attributes had only 70 \% of success. The realistic estimation of the proper classification of AD patients by EEG records is located in area of 75 \% to 80 \% while the same results were achieved using GT and regularized regression