Alzheimer's disease detection in PSG signals

阿尔茨海默病（AD）和睡眠障碍之间存在密切联系，睡眠模式的紊乱通常先于轻度认知障碍（MCI）和早期AD的发作。本研究探讨利用通过多导睡眠图（PSG）获取的与睡眠相关的脑电图（EEG）信号，以早期检测AD的潜力。我们的主要重点是探索半监督深度学习技术，用于分类EEG信号，因为临床情况下数据可用性有限。该方法包括测试和比较半监督SMATE和TapNet模型的性能，与监督XCM模型和无监督隐马尔可夫模型（HMM）进行基准测试。该研究强调了空间和时间分析能力的重要性，对每个睡眠阶段进行独立分析。结果表明，SMATE在利用有限标记数据方面具有有效性，在所有睡眠阶段都能实现稳定的指标，并在其监督形式下达到90％的准确性。比较分析显示，SMATE的性能优于TapNet和HMM，而XCM在监督场景中表现出色，准确率范围为92-94％。这些发现强调了半监督模型在早期AD检测中的潜力，特别是在克服标记数据稀缺性方面的挑战方面。消融测试证实了空间 - 时间特征提取在半监督预测性能中的关键作用，并且t-SNE可视化验证了模型在区分AD模式方面的熟练性。总体而言，这项研究通过创新的深度学习方法促进了AD检测的进步，强调了半监督学习在解决数据限制方面的关键作用。

论文探讨利用睡眠相关的脑电图（EEG）信号通过半监督深度学习技术进行早期阿尔茨海默病（AD）检测的潜力。

论文提出使用半监督SMATE和TapNet模型进行EEG信号分类，比较其性能与监督XCM模型和无监督HMM模型的差异。结果表明，SMATE在有限标记数据方面具有优越性能，能够稳定地识别所有睡眠阶段，并在其监督形式下达到90％的准确率。

论文强调了空间和时间分析能力的重要性，独立分析每个睡眠阶段。实验使用了睡眠相关的EEG信号数据集，并进行了消融测试和t-SNE可视化。研究结果表明半监督模型在早期AD检测中具有潜力，特别是在解决有限标记数据方面的挑战方面。

最近的相关研究包括使用深度学习技术进行AD检测的其他方法，如使用卷积神经网络（CNN）和长短期记忆网络（LSTM）等。