Alzheimer ve frontotemporal demans için EEG tabanlı çok modelli analiz
Küçük Resim Yok
Tarih
2026
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Malatya Turgut Özal Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Alzheimer hastalığı (AD) ve frontotemporal demans (FTD), benzer klinik belirtiler göstermeleri nedeniyle ayırıcı tanısı zor olan iki demans alt tipidir. Bu çalışmada, EEG sinyallerine dayalı hiyerarşik bir sınıflandırma yaklaşımı önerilmiştir. İlk aşamada hasta–sağlıklı kontrol ayrımı yapılmış, ikinci aşamada ise AD ve FTD sınıfları ayırt edilmiştir. EEG verileri uygun ön işleme adımlarından geçirildikten sonra EEGNet, CNN+LSTM, CNN+BiLSTM, XGBoost ve LightGBM modelleri kullanılarak analiz edilmiştir. Ayrıca, EEGNet ve XGBoost modellerinin bağımsız olarak eğitilip çıktı olasılıklarının ortalamasının alınmasıyla karar düzeyinde bir ensemble model oluşturulmuştur. Deneysel sonuçlar, önerilen ensemble yaklaşımının her iki sınıflandırma aşamasında da tekil modellere kıyasla daha yüksek doğruluk ve F1-skoru sağladığını göstermektedir. Bu bulgular, EEG tabanlı demans tanısı için güvenilir bir karar destek yaklaşımı sunmaktadır.
Alzheimer's disease (AD) and frontotemporal dementia (FTD) are two major dementia subtypes with overlapping clinical symptoms, making differential diagnosis challenging. This study proposes an EEG-based hierarchical classification framework. In the first stage, subjects are classified as dementia or healthy controls, followed by a second stage distinguishing AD from FTD. After appropriate EEG preprocessing, multiple models including EEGNet, CNN+LSTM, CNN+BiLSTM, XGBoost, and LightGBM are evaluated. In addition, a decision-level ensemble model is developed by independently training EEGNet and XGBoost and averaging their output probabilities. Experimental results demonstrate that the proposed ensemble approach consistently outperforms individual models in both classification stages in terms of accuracy and F1-score. These findings highlight the effectiveness of combining deep learning and boosting-based methods for robust EEG-based dementia diagnosis.
Alzheimer's disease (AD) and frontotemporal dementia (FTD) are two major dementia subtypes with overlapping clinical symptoms, making differential diagnosis challenging. This study proposes an EEG-based hierarchical classification framework. In the first stage, subjects are classified as dementia or healthy controls, followed by a second stage distinguishing AD from FTD. After appropriate EEG preprocessing, multiple models including EEGNet, CNN+LSTM, CNN+BiLSTM, XGBoost, and LightGBM are evaluated. In addition, a decision-level ensemble model is developed by independently training EEGNet and XGBoost and averaging their output probabilities. Experimental results demonstrate that the proposed ensemble approach consistently outperforms individual models in both classification stages in terms of accuracy and F1-score. These findings highlight the effectiveness of combining deep learning and boosting-based methods for robust EEG-based dementia diagnosis.
Açıklama
Anahtar Kelimeler
Bilim ve Teknoloji
