Исследование предиктивных возможностей методов машинного обучения в выявлении болезни Альцгеймера на основе электроэнцефалографии; Измерение. Мониторинг. Управление. Контроль; № 2
| Parent link: | Измерение. Мониторинг. Управление. Контроль.— .— Пенза: Изд-во ПГУ № 2.— 2026.— С. 111-122 |
|---|---|
| Prif Awdur: | |
| Awdur Corfforaethol: | |
| Awduron Eraill: | |
| Crynodeb: | Заглавие с экрана Актуальность и цели. Цель работы состоит в совершенствовании автоматизированных процессов диагностики и повышении точности раннего скрининга болезни Альцгеймера с применением методов машинного обучения. Материалы и методы. Применяемые в исследовании данные были получены с использованием разработанного авторами алгоритма извлечения классификационных признаков из электроэнцефалографических сигналов. Электроэнцефалографические сигналы, из которых производилось извлечение признаков, были взяты из открытой базы OpenNeuro. Исследованы такие методы и модели, как нейросетевые и ансамблевые модели, модели на основе метода опорных векторов, а также дискриминантный анализ и логистическая регрессия, путем оценки качества классификации на основе данных, извлеченных из электроэнцефалографических сигналов, с применением нескольких критериев качества классификации. Результаты. Произведена оценка эффективности различных алгоритмов машинного обучения и определены наиболее эффективные модели для заданных наборов предикторов, применяемых в определении наличия заболевания. Получены высокие значения общей доли правильных ответов (92,5 %), точности (93,3 %), чувствительности (94,4 %), среднего гармонического между чувствительностью и точностью (93,2 %) и площади под графиком кривой ошибок (0,98). Выводы. Экспериментально подтверждена высокая эффективность классификации нейросетевых моделей, моделей на основе метода опорных векторов, а также ансамблевых и дискриминантных моделей в задачах диагностики болезни Альцгеймера с использованием электроэнцефалографических данных, обеспечивающих повышенную доступность скрининга одного из наиболее распространенных и инвалидизирующих нейродегенеративных заболеваний. По совокупности измеренных показателей рекомендуется использовать нейросетевые модели (AUC = 0,98) и модели на основе метода опорных векторов (AUC = 0,97) Background. The aim of this work is to enhance automated diagnostic processes and improve the accuracy of early screening for Alzheimer's disease using machine learning methods. Materials and methods. The data used in the study was obtained using an algorithm developed by the authors for extracting classification features from electroencephalographic signals. The electroencephalographic signals from which the features were extracted were taken from the openaccess OpenNeuro database. Methods and models such as neural network and ensemble models, support vector machine models, as well as discriminant analysis and logistic regression, have been investigated by evaluating the classification quality based on data extracted from electroencephalographic signals using several classification quality criteria. Results. Efficiency of various machine learning algorithms was evaluated and the most effective models for the given sets of predictors used in determining the presence of the disease were determined. The results showed high values for the total proportion of correct answers (92.5 %), accuracy (93.3 %), sensitivity (94.4 %), the harmonic mean between sensitivity and accuracy (93.2 %), and the area under the error curve (0.98). Conclusions. The high efficiency of neural network models, support vector machine models, and ensemble and discriminant models in diagnosing Alzheimer's disease using electroencephalographic data has been experimentally confirmed, providing increased accessibility for screening one of the most common and disabling neurodegenerative diseases. Based on the measured indicators, it is recommended to use neural network models (AUC = 0.98) and support vector machine models (AUC = 0.97) Текстовый файл |
| Iaith: | Rwseg |
| Cyhoeddwyd: |
2026
|
| Pynciau: | |
| Mynediad Ar-lein: | https://imuk.pnzgu.ru/imuk14226 |
| Fformat: | Electronig Pennod Llyfr |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=688474 |
MARC
| LEADER | 00000naa0a2200000 4500 | ||
|---|---|---|---|
| 001 | 688474 | ||
| 005 | 20261009101654.0 | ||
| 090 | |a 688474 | ||
| 100 | |a 20261009d2026 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 181 | 0 | |a i |b e | |
| 182 | 0 | |a b | |
| 183 | 0 | |a cr |2 RDAcarrier | |
| 200 | 1 | |a Исследование предиктивных возможностей методов машинного обучения в выявлении болезни Альцгеймера на основе электроэнцефалографии |d Electroencephalography-based evaluation of machine learning models for Alzheimer’s disease prediction |f А. А. Аристов, А. И. Моренец |z eng | |
| 283 | |a online_resource |2 RDAcarrier | ||
| 300 | |a Заглавие с экрана | ||
| 320 | |a Список литературы: 16 назв | ||
| 330 | |a Актуальность и цели. Цель работы состоит в совершенствовании автоматизированных процессов диагностики и повышении точности раннего скрининга болезни Альцгеймера с применением методов машинного обучения. Материалы и методы. Применяемые в исследовании данные были получены с использованием разработанного авторами алгоритма извлечения классификационных признаков из электроэнцефалографических сигналов. Электроэнцефалографические сигналы, из которых производилось извлечение признаков, были взяты из открытой базы OpenNeuro. Исследованы такие методы и модели, как нейросетевые и ансамблевые модели, модели на основе метода опорных векторов, а также дискриминантный анализ и логистическая регрессия, путем оценки качества классификации на основе данных, извлеченных из электроэнцефалографических сигналов, с применением нескольких критериев качества классификации. Результаты. Произведена оценка эффективности различных алгоритмов машинного обучения и определены наиболее эффективные модели для заданных наборов предикторов, применяемых в определении наличия заболевания. Получены высокие значения общей доли правильных ответов (92,5 %), точности (93,3 %), чувствительности (94,4 %), среднего гармонического между чувствительностью и точностью (93,2 %) и площади под графиком кривой ошибок (0,98). Выводы. Экспериментально подтверждена высокая эффективность классификации нейросетевых моделей, моделей на основе метода опорных векторов, а также ансамблевых и дискриминантных моделей в задачах диагностики болезни Альцгеймера с использованием электроэнцефалографических данных, обеспечивающих повышенную доступность скрининга одного из наиболее распространенных и инвалидизирующих нейродегенеративных заболеваний. По совокупности измеренных показателей рекомендуется использовать нейросетевые модели (AUC = 0,98) и модели на основе метода опорных векторов (AUC = 0,97) | ||
| 330 | |a Background. The aim of this work is to enhance automated diagnostic processes and improve the accuracy of early screening for Alzheimer's disease using machine learning methods. Materials and methods. The data used in the study was obtained using an algorithm developed by the authors for extracting classification features from electroencephalographic signals. The electroencephalographic signals from which the features were extracted were taken from the openaccess OpenNeuro database. Methods and models such as neural network and ensemble models, support vector machine models, as well as discriminant analysis and logistic regression, have been investigated by evaluating the classification quality based on data extracted from electroencephalographic signals using several classification quality criteria. Results. Efficiency of various machine learning algorithms was evaluated and the most effective models for the given sets of predictors used in determining the presence of the disease were determined. The results showed high values for the total proportion of correct answers (92.5 %), accuracy (93.3 %), sensitivity (94.4 %), the harmonic mean between sensitivity and accuracy (93.2 %), and the area under the error curve (0.98). Conclusions. The high efficiency of neural network models, support vector machine models, and ensemble and discriminant models in diagnosing Alzheimer's disease using electroencephalographic data has been experimentally confirmed, providing increased accessibility for screening one of the most common and disabling neurodegenerative diseases. Based on the measured indicators, it is recommended to use neural network models (AUC = 0.98) and support vector machine models (AUC = 0.97) | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |t Измерение. Мониторинг. Управление. Контроль |c Пенза |n Изд-во ПГУ | |
| 463 | 1 | |t № 2 |v С. 111-122 |d 2026 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a электроэнцефалография | |
| 610 | 1 | |a обработка сигнала | |
| 610 | 1 | |a болезнь Альцгеймера | |
| 610 | 1 | |a машинное обучение | |
| 610 | 1 | |a классификация | |
| 610 | 1 | |a нейронные сети | |
| 700 | 1 | |a Аристов |b А. А. |c специалист в области электроники |c доцент Томского политехнического университета, кандидат технических наук |f 1972- |g Александр Александрович |9 13835 | |
| 701 | 1 | |a Моренец |b А. И. |c специалист в области электроники |c инженер Томского политехнического университета |f 1997- |g Артем Игоревич |9 22383 | |
| 712 | 0 | 2 | |a Национальный исследовательский Томский политехнический университет |b Инженерная школа неразрушающего контроля и безопасности |b Отделение электронной инженерии |c 2023- |9 28323 |
| 801 | 0 | |a RU |b 63413507 |c 20261009 |g RCR | |
| 850 | |a 63413507 | ||
| 856 | 4 | 0 | |u https://imuk.pnzgu.ru/imuk14226 |z https://imuk.pnzgu.ru/imuk14226 |
| 942 | |c CF | ||