基于深度学习的神经退行性疾病分类：亚皮层信号的图像表示
原文中文，约600字，阅读约需2分钟。发表于：。本研究针对现有脑电图(EEG)信号中伪影干扰问题，提出了一种基于深度学习的新型分类系统，以分析来自深脑区的时间序列信号。通过将时间序列转换为图像表示并结合DenseNet模型架构，该方法在早期准确区分阿尔茨海默病和额颞叶痴呆中表现出良好效果，BrainLat和IITD-AIIA数据集的准确率分别达到94.17%和77.72%。
阿尔茨海默病和睡眠障碍之间存在紧密联系，睡眠模式的中断经常在轻度认知障碍（MCI）和早期AD发作之前出现。本研究探讨利用通过多导睡眠监测仪（PSG）获得的与睡眠相关的脑电图（EEG）信号用于早期AD检测的潜力。实验方法包括测试和比较半监督深度学习技术用于EEG信号分类，结果表明，SMATE在利用有限标记数据方面取得了稳定的度量结果，并在监督形式下达到了90%的准确率。这些发现强调了半监督模型在早期AD检测中的潜力，特别是在应对标记数据稀缺性方面。
