Ανάλυση Ηλεκτροεγκεφαλογραφημάτων (EEG) για τη Διάκριση μεταξύ Υγιών Υποκειμένων και Ασθενών με Νόσο Alzheimer και Μετωποκροταφική Άνοια: Τεχνικές Μηχανικής Μάθησης και Ανάλυση Συνδεσιμότητας Εγκεφαλικών Περιοχών

Abstract

Η μελέτη αυτή διερευνά τεχνικές για τη διαφορική διάγνωση της νόσου Αλτσχάιμερ (AD), της Μετωποκροταφικής άνοιας (FTD) και των υγιών ατόμων (CN) χρησιμοποιώντας επεξεργασμένα δεδομένα ηρεμίας ηλεκτροεγκεφαλογραφήματος (EEG) από 88 συμμετέχοντες στο σύνολο δεδομένων OpenEuro (Miltiadous, 2024). Η AD και η FTD είναι προοδευτικές νευροεκφυλιστικές διαταραχές που πλήττουν κυρίως ηλικιωμένους, με επικαλυπτόμενα κλινικά συμπτώματα που δυσχεραίνουν την πρώιμη και ακριβή διάγνωση. Ο πρωταρχικός στόχος είναι η ταυτοποίηση διακριτών νευροφυσιολογικών δεικτών, όπως πρότυπα εγκεφαλικών κυμάτων, πολυπλοκότητα σήματος και αλλαγές στη λειτουργική συνδεσιμότητα, που διακρίνουν αποτελεσματικά αυτές τις καταστάσεις από τη φυσιολογική εγκεφαλική λειτουργία. Για την επίτευξη αυτού, εξήχθη ένα ολοκληρωμένο σύνολο χαρακτηριστικών, καλύπτοντας φασματικά, χρονικής περιοχής, πολυπλοκότητας και μετρικές συνδεσιμότητας. Χρησιμοποιήθηκαν κλασικά μοντέλα μηχανικής μάθησης, όπως υποστηρικτικές μηχανές διανυσμάτων (SVM) με πυρήνες Radial Basis Function (RBF), τυχαία δάση (Random Forests), Naïve Bayes και γραμμική ανάλυση διαχωρισμού (LDA) για την ανάλυση αυτών των χαρακτηριστικών σε σχέση με τη φασματική ισχύ, την εντροπία και τη δικτυακή συνδεσιμότητα. Επιπλέον, χρησιμοποιήθηκαν απεικονίσεις φασματογραφήματος των σημάτων EEG για την εκπαίδευση συνελικτικών νευρωνικών δικτύων (CNN) ώστε να αποτυπωθούν πολύπλοκα πρότυπα χρόνου-συχνότητας. Η απόδοση όλων των μοντέλων αξιολογήθηκε με τη χρήση τυπικών μετρικών, όπως accuracy, balanced accuracy, specificity, F1-Score , AUC, ενώ η αξιολόγηση συμπληρώθηκε οπτικά μέσω καμπύλων ROC και Confusion Matrices, με στόχο τη βελτίωση της έγκαιρης διάγνωσης και την αναγνώριση αξιόπιστων βιοδεικτών βασισμένων σε EEG για την παρακολούθηση της εξέλιξης της νόσου. Αυτή η διπλή προσέγγιση, που ενσωματώνει κλασική μηχανική μάθηση με μεθόδους βαθιάς μάθησης, παρέχει συμπληρωματικές γνώσεις για τις πολύπλοκες νευρωνικές δυναμικές της άνοιας. Τελικός στόχος του έργου είναι να υποστηρίξει την ανάπτυξη ενός βοηθητικού διαγνωστικού εργαλείου που ενισχύει την κλινική λήψη αποφάσεων, επιτρέποντας έγκαιρες και εξατομικευμένες θεραπευτικές στρατηγικές για τις νευροεκφυλιστικές ασθένειες.