Article
Zaineb Ajra, Binbin Xu, Gérard Dray, Jacky Montmain, S. Perrey
Using shallow neural networks with functional connectivity from EEG signals for early diagnosis of Alzheimer’s and frontotemporal dementia. Frontiers in Neurology, 2023, 14
DOI: https://doi.org/10.3389/fneur.2023.1270405
HAL: https://hal.science/hal-04239676
Contexte
La maladie d’Alzheimer (AD) et la démence frontotemporale (FTD) représentent deux formes majeures de démence, avec des profils cognitifs et neuroanatomiques distincts. Le diagnostic différentiel entre ces pathologies, crucial pour une prise en charge adaptée, reste difficile, notamment aux stades précoces. L’électroencéphalographie (EEG), en tant que méthode non invasive, accessible et sensible aux dynamiques neuronales, offre des perspectives prometteuses. Cependant, l’interprétation de ces signaux complexes nécessite des approches automatisées robustes capables d’extraire des signatures discriminantes pertinentes.
Contribution
Cette étude propose une méthode de classification automatique basée sur des réseaux de neurones convolutionnels (CNN) peu profonds, appliqués à deux types de représentations des signaux EEG : les spectrogrammes temps-fréquence et les matrices de connectivité fonctionnelle. Quatre mesures de connectivité sont explorées (PSI, Corr, ImCoh, AEC), avec différentes stratégies de seuillage (absolu, proportionnel, aucun). Les données EEG utilisées proviennent de 88 participants (AD, FTD, HC), issues d’un protocole rigoureux de nettoyage et d’extraction de caractéristiques.
Les résultats montrent que les CNN utilisant les matrices de corrélation d’enveloppe d’amplitude (AEC) sans seuillage atteignent une précision de 94,54 %, surpassant significativement les méthodes classiques (SVM, LDA, kNN). L’intégration de la connectivité fonctionnelle comme entrée du CNN permet de capturer les interactions complexes entre régions cérébrales, en synergie avec les capacités d’abstraction hiérarchique des réseaux convolutifs.
Principales étapes de cette étude
Taux de citation