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:
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。
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-narayanan@uiowa.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-narayanan@uiowa.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。
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。
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(Hayes,2019)。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 Savitt,2019)。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:#1:TS = ("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");#2:TS = (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
Parkinson's disease
(频率457)Parkinson's 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Alzheimer's 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41+23)
- 多模态技术:EEG+MEG(32)+fMRI(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
)
- 生物标志物开发(
-
研究前沿
爆发性增长领域:
- 脑网络分析(
Functional connectivity
+Graph theory
) - 神经振荡机制(
Oscillations
+Synchronization
) - 人工智能诊断(
Deep learning
+Classification
)
- 脑网络分析(
🔍 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
EEG
+Magnetoencephalography
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%。
- SPWVD+CNN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。
- 对比了在SanDiego数据集上使用相同数据集的几项研究:
- 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:
- CNN+LSTM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DWT+TShEn+SVM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DWT+ThEn+KNN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。
- 对比了在UNM数据集上使用相同数据集的几项研究:
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(Dickson,2018 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(Gunduz,2019 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 Yousuf,2024 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(FoG),2 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)
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 PSD+PLV 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 PSD+PLV 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PSD+PLV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PSD+PLV特征对HC vs.PD(Iowa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_ON(γ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PSD+PLV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。