Система автоматизированного преобразования электроэнцефалографических сигналов в набор предикторов для диагностики болезни Альцгеймера; Измерение. Мониторинг. Управление. Контроль; № 2
| Parent link: | Измерение. Мониторинг. Управление. Контроль.— .— Пенза: Изд-во ПГУ № 2.— 2026.— С. 102-110 |
|---|---|
| Main Author: | |
| Corporate Author: | |
| Other Authors: | |
| Summary: | Заглавие с экрана Актуальность и цели. Цель работы состоит в совершенствовании автоматизированных процессов диагностики и повышении точности раннего скрининга болезни Альцгеймера с применением электроэнцефалографических сигналов. Материалы и методы. Метод исследования основан на реализации алгоритмов преобразования электроэнцефалографических сигналов и предварительной оценке предикторов методом опорных векторов. Набор исходных сигналов, применяемый в данном исследовании, был взят из открытой базы OpenNeuro. Результаты. Результаты работы состоят в реализации программных компонентов системы преобразования электроэнцефалографических сигналов, предназначенных для получения набора классификационных признаков (предикторов), применяемых в определении принадлежности субъекта к определенному классу методами машинного обучения и формировании предложений по использованию рассматриваемого подхода в проектировании и программной реализации систем диагностики болезни Альцгеймера как части аппаратно-программных систем. Выводы. Разработан и реализован алгоритм преобразования электроэнцефалографических сигналов и извлечения набора признаков, обеспечивающих возможность обучения модели машинного обучения в задачах классификации и диагностики болезни Альцгеймера Background. The aim of this work is to improve automated diagnostic processes and enhance the accuracy of early screening for Alzheimer's disease using electroencephalographic signals. Materials and methods. The research method is based on the implementation of algorithms for electroencephalographic signals conversion and a preliminary assessment of the predictors using the Support Vector Machine method. The set of source signals used in this study was taken from the open-access OpenNeuro database. Results. The results of the work include the development of software components for an electroencephalographic signal conversion system, designed to extract a set of classification features (predictors). These predictors are used to determine a subject's belonging to a specific class via machine learning methods. Furthermore, recommendations are formulated for the application of the proposed approach in the design and software implementation of diagnostic systems for Alzheimer's disease, as part of larger software and hardware complexes. Conclusions. An algorithm for converting electroencephalographic signals and extracting a set of features that enable training a machine learning model for classification and diagnosis of Alzheimer's disease has been developed and implemented Текстовый файл |
| Language: | Russian |
| Published: |
2026
|
| Subjects: | |
| Online Access: | https://imuk.pnzgu.ru/imuk13226 |
| Format: | Electronic Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=688473 |
| Summary: | Заглавие с экрана Актуальность и цели. Цель работы состоит в совершенствовании автоматизированных процессов диагностики и повышении точности раннего скрининга болезни Альцгеймера с применением электроэнцефалографических сигналов. Материалы и методы. Метод исследования основан на реализации алгоритмов преобразования электроэнцефалографических сигналов и предварительной оценке предикторов методом опорных векторов. Набор исходных сигналов, применяемый в данном исследовании, был взят из открытой базы OpenNeuro. Результаты. Результаты работы состоят в реализации программных компонентов системы преобразования электроэнцефалографических сигналов, предназначенных для получения набора классификационных признаков (предикторов), применяемых в определении принадлежности субъекта к определенному классу методами машинного обучения и формировании предложений по использованию рассматриваемого подхода в проектировании и программной реализации систем диагностики болезни Альцгеймера как части аппаратно-программных систем. Выводы. Разработан и реализован алгоритм преобразования электроэнцефалографических сигналов и извлечения набора признаков, обеспечивающих возможность обучения модели машинного обучения в задачах классификации и диагностики болезни Альцгеймера Background. The aim of this work is to improve automated diagnostic processes and enhance the accuracy of early screening for Alzheimer's disease using electroencephalographic signals. Materials and methods. The research method is based on the implementation of algorithms for electroencephalographic signals conversion and a preliminary assessment of the predictors using the Support Vector Machine method. The set of source signals used in this study was taken from the open-access OpenNeuro database. Results. The results of the work include the development of software components for an electroencephalographic signal conversion system, designed to extract a set of classification features (predictors). These predictors are used to determine a subject's belonging to a specific class via machine learning methods. Furthermore, recommendations are formulated for the application of the proposed approach in the design and software implementation of diagnostic systems for Alzheimer's disease, as part of larger software and hardware complexes. Conclusions. An algorithm for converting electroencephalographic signals and extracting a set of features that enable training a machine learning model for classification and diagnosis of Alzheimer's disease has been developed and implemented Текстовый файл |
|---|