基于脑电信号的认知功能障碍识别与分类进展综述

doi:10.11772/j.issn.1001-9081.2022101471

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (10): 3297-3308.DOI: 10.11772/j.issn.1001-9081.2022101471

• 前沿与综合应用 • 上一篇

基于脑电信号的认知功能障碍识别与分类进展综述

张军鹏¹, 施玉杰¹, 蒋睿¹, 董静静², 邱昌建³()

^1.四川大学电气工程学院，成都 610065
^2.中国人民解放军海军特色医学中心空勤科，上海 200052
^3.四川大学华西医院心理卫生中心，成都 610041

收稿日期:2022-10-08 修回日期:2023-01-23 接受日期:2023-02-03 发布日期:2023-04-12 出版日期:2023-10-10
通讯作者: 邱昌建
作者简介:张军鹏（1975—），男，陕西韩城人，副教授，博士，主要研究方向：基于脑电（EEG）的认知障碍评估、脑电图个体识别、脑电图辅助精神障碍诊断
施玉杰（1998—），女，四川泸州人，硕士研究生，主要研究方向：EGG数据分析
蒋睿（1998—），男，江西南康人，硕士研究生，主要研究方向：脑机接口、目标跟踪
董静静（1984—），女，陕西大荔人，副主任医师，博士，主要研究方向：特勤人员诊疗、职业性防治及认知评估；
基金资助:
国家自然科学基金数学天元基金重点专项(12126606);四川省科技厅重点研发项目(2022YFS0345)

Review on advances in recognition and classification of cognitive impairment based on EEG signals

Junpeng ZHANG¹, Yujie SHI¹, Rui JANG¹, Jingjing DONG², Changjian QIU³()

^1.College of Electrical Engineering，Sichuan University，Chengdu Sichuan 610065，China
^2.Air Service Department，Naval Medical Center of the People’s Liberation Army，Shanghai 200052，China
^3.Mental Health Center，West China Hospital of Sichuan University，Chengdu Sichuan 610041，China

Received:2022-10-08 Revised:2023-01-23 Accepted:2023-02-03 Online:2023-04-12 Published:2023-10-10
Contact: Changjian QIU
About author:ZHANG Junpeng， born in 1975， Ph. D.， associate professor. His research interests include ElectroEncephaloGraphy （EEG） based cognitive impairment assessment， electroencephalogram based individual recognition， electroencephalogram assisted diagnosis of mental disorders.
SHI Yujie， born in 1998， M. S. candidate. Her research interests include EEG data analysis.
DONG Jingjing， born in 1984， Ph. D.， deputy chief physician. Her research interests include diagnosis and treatment of secret service personnel， occupational prevention and treatment as well as cognitive assessment.
First author contact:JIANG Rui， born in 1998， M. S. candidate. His research interests include brain-computer interface， target tracking.
Supported by:
Key Project of Mathematics Tianyuan Foundation of National Natural Science Foundation of China(12126606);Key Research and Development Project of Department of Science and Technology of Sichuan Province(2022YFS0345)

摘要/Abstract

摘要：

认知功能障碍的早期检测和及时干预对减缓病情发展至关重要。脑电（EEG）信号具有时间分辨率高、易采集等优点，目前已成为研究认知疾病生物标志物的重要工具。相较于传统的生物标志物识别方法，机器学习方法对于基于EEG信号的认知功能障碍的识别分类的准确率更高，稳定性更好。对于近三年基于EEG信号的认知功能障碍识别分类的相关研究，首先，从认知功能障碍识别分类中常用的时域、频域、时频域结合、非线性动力学、功能连接和脑网络这五类EEG特征出发，寻找更具代表性的EEG特征；其次，总结目前使用较多的支持向量机（SVM）、线性判别分析（LDA）、K-近邻（KNN）和人工神经网络（ANN）等机器学习和深度学习分类方法和这些方法的性能；最后，分析各类研究中目前存在的问题，并展望此领域未来的研究方向，从而为后续基于EEG信号的认知功能障碍识别分类的研究提供参考。

关键词: 脑电信号, 机器学习, 认知功能障碍, 深度学习, 特征提取

Abstract:

Early detection and timely intervention of cognitive impairment are crucial to slow down the progress of the disease. The ElectroEncephaloGraphy （EEG） signal has become an important tool for the investigation of biomarkers of cognitive diseases due to its high temporal resolution and easy acquisition. Compared with the traditional biomarker recognition method， the machine learning method has higher accuracy and better stability for the recognition and classification of cognitive impairment based on EEG signals. Aiming at the relevant research literature on the recognition and classification of cognitive impairment based on EEG signals in the past three years， firstly， from the perspectives of five categories of EEG features commonly used in the recognition and classification of cognitive impairment， including time domain， frequency domain， combination of time and frequency domains， nonlinear dynamics， functional connectivity and brain network， more representative EEG features were found. Then， the currently commonly used classification methods based on machine learning and deep learning， such as Support Vector Machine （SVM）， Linear Discriminant Analysis （LDA）， K-Nearest Neighbor （KNN） and Artificial Neural Network （ANN）， as well as their performance were summarized. Finally， the current problems in different kinds of studies were analyzed， and the future research directions in this field were prospected， thereby providing reference for the follow-up research on the recognition and classification of cognitive impairment based on EEG signals.

Key words: ElectroEncephaloGraphy (EEG) signal, machine learning, cognitive impairment, deep learning, feature extraction

中图分类号:

TP18

张军鹏, 施玉杰, 蒋睿, 董静静, 邱昌建. 基于脑电信号的认知功能障碍识别与分类进展综述[J]. 计算机应用, 2023, 43(10): 3297-3308.

Junpeng ZHANG, Yujie SHI, Rui JANG, Jingjing DONG, Changjian QIU. Review on advances in recognition and classification of cognitive impairment based on EEG signals[J]. Journal of Computer Applications, 2023, 43(10): 3297-3308.

图/表 5

参考文献 64

1	UHLHAAS P J， SINGER W. Neural synchrony in brain disorders： relevance for cognitive dysfunctions and pathophysiology［J］. Neuron， 2006， 52（1）： 155-168. 10.1016/j.neuron.2006.09.020
2	FERREIRA-VIEIRA T H， GUIMARAES I M， SILVA F R， et al. Alzheimer’s disease： targeting the cholinergic system［J］. Current Neuropharmacology， 2016， 14（1）： 101-115. 10.2174/1570159x13666150716165726
3	KHATUN S， MORSHED B I， BIDELMAN G M. Single channel EEG time-frequency features to detect Mild Cognitive Impairment［C］// Proceedings of the 2017 IEEE International Symposium on Medical Measurements and Applications. Piscataway： IEEE， 2017： 437-442. 10.1109/memea.2017.7985916
4	WILLIAMS P， WHITE A， MERINO R B， et al. Facial recognition task for the classification of mild cognitive impairment with ensemble sparse classifier［C］// Proceedings of the 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway： IEEE， 2019： 2242-2245. 10.1109/embc.2019.8857203
5	LI Y， XIAO S， LI Y， et al. Classification of Mild Cognitive Impairment from multi-domain features of resting-state EEG［C］// Proceedings of the 42nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway： IEEE， 2020： 256-259. 10.1109/embc44109.2020.9176053
6	SAFI M S， SAFI S M M. Early detection of Alzheimer’s disease from EEG signals using Hjorth parameters［J］. Biomedical Signal Processing and Control， 2021， 65： No.102338. 10.1016/j.bspc.2020.102338
7	RUIZ-GÓMEZ S J， GÓMEZ C， POZA J， et al. Automated multiclass classification of spontaneous EEG activity in Alzheimer’s disease and mild cognitive impairment［J］. Entropy， 2018， 20（1）： No.35. 10.3390/e20010035
8	BI X， WANG H. Early Alzheimer’s disease diagnosis based on EEG spectral images using deep learning［J］. Neural Networks， 2019， 114： 119-135. 10.1016/j.neunet.2019.02.005
9	TRINH T T， TSAI C F， HSIAO Y T， et al. Identifying individuals with mild cognitive impairment using working memory-induced intra-subject variability of resting-state EEGs［J］. Frontiers in Computational Neuroscience， 2021， 15： No.700467. 10.3389/fncom.2021.700467
10	HSIAO Y T， TSAI C F， WU C T， et al. MCI detection using kernel eigen-relative-power features of EEG signals［J］. Actuators， 2021， 10（7）： No.152. 10.3390/act10070152
11	武侠，钟楚鹏，丁玉珑，等. 利用时频分析研究非相位锁定脑电活动［J］. 心理科学进展， 2018， 26（8）： 1349-1364. 10.3724/sp.j.1042.2018.01349
	WU X， ZHONG C P， DING Y L， et al. Application of time-frequency analysis in investigating non-phase locked components of EEG［J］. Advances in Psychological Science， 2018， 26（8）： 1349-1364. 10.3724/sp.j.1042.2018.01349
12	FISCON G， WEITSCHEK E， CIALINI A， et al. Combining EEG signal processing with supervised methods for Alzheimer’s patients classification［J］. BMC Medical Informatics and Decision Making， 2018， 18： No.35. 10.1186/s12911-018-0613-y
13	DURONGBHAN P， ZHAO Y， CHEN L， et al. A dementia classification framework using frequency and time-frequency features based on EEG signals［J］. IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2019， 27（5）： 826-835. 10.1109/tnsre.2019.2909100
14	IERACITANO C， MAMMONE N， BRAMANTI A， et al. A time-frequency based machine learning system for brain states classification via EEG signal processing［C］// Proceedings of the 2019 International Joint Conference on Neural Networks. Piscataway： IEEE， 2019： 1-8. 10.1109/ijcnn.2019.8852240
15	RODRIGUES P M， BISPO B C， GARRETT C， et al. Lacsogram： a new EEG tool to diagnose Alzheimer’s disease［J］. IEEE Journal of Biomedical and Health Informatics， 2021， 25（9）： 3384-3395. 10.1109/jbhi.2021.3069789
16	曹锐. 非线性与复杂网络理论在脑电数据分析中的应用研究［D］. 太原：太原理工大学， 2014： 4-5.
	CAO R. Nonlinear and complex network theory in the Application of EEG data analysis research［D］. Taiyuan： Taiyuan University of Technology， 2014： 4-5.
17	DING Y， CHU Y， LIU M， et al. Fully automated discrimination of Alzheimer’s disease using resting-state electroencephalography signals［J］. Quantitative Imaging in Medicine and Surgery， 2022， 12（2）： 1063-1078. 10.21037/qims-21-430
18	RUTKOWSKI T M， ABE M S， KOMENDZIŃSKI T， et al. Older adult mild cognitive impairment prediction from multiscale entropy EEG patterns in reminiscent interior image working memory paradigm［C］// Proceedings of the 43rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway： IEEE， 2021： 6345-6348. 10.1109/embc46164.2021.9629480
19	SIULY S， ALÇIN Ö F， KABIR E， et al. A new framework for automatic detection of patients with mild cognitive impairment using resting-state EEG signals［J］. IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2020， 28（9）： 1966-1976. 10.1109/tnsre.2020.3013429
20	ŞEKER M， ÖZBEK Y， YENER G， et al. Complexity of EEG dynamics for early diagnosis of Alzheimer’s disease using permutation entropy neuromarker［J］. Computer Methods and Programs in Biomedicine， 2021， 206： No.106116. 10.1016/j.cmpb.2021.106116
21	AMEZQUITA-SÁNCHEZ J P， MAMMONE N， MORABITO F C， et al. A novel methodology for automated differential diagnosis of mild cognitive impairment and the Alzheimer’s disease using EEG signals［J］. Journal of Neuroscience Methods， 2019， 322： 88-95. 10.1016/j.jneumeth.2019.04.013
22	李莉，陈静静，郑旭媛. 基于同步似然分析的阿尔茨海默症静息态脑电功能连接特性的研究［J］. 生物医学工程学杂志， 2015， 32（5）：952-957. 10.7507/1001-5515.20150170
	LI L， CHEN J J， ZHENG X Y. Study on brain functional connectivity using resting state electroencephalogram based on synchronization likelihood in Alzheimer’s disease［J］. Journal of Biomedical Engineering， 2015， 32（5）： 952-957. 10.7507/1001-5515.20150170
23	SU R， LI X， LI Z， et al. Constructing biomarker for early diagnosis of aMCI based on combination of multiscale fuzzy entropy and functional brain connectivity［J］. Biomedical Signal Processing and Control， 2021， 70： No.103000. 10.1016/j.bspc.2021.103000
24	SONG Z， DENG B， WANG J， et al. Biomarkers for Alzheimer’s disease defined by a novel brain functional network measure［J］. IEEE Transactions on Biomedical Engineering， 2019， 66（1）： 41-49. 10.1109/tbme.2018.2834546
25	VECCHIO F， MIRAGLIA F， ALÙ F， et al. Classification of Alzheimer’s disease with respect to physiological aging with innovative EEG biomarkers in a machine learning implementation［J］. Journal of Alzheimer’s Disease， 2020， 75（4）： 1253-1261. 10.3233/jad-200171
26	YU H， ZHU L， CAI L， et al. Identification of Alzheimer’s EEG with a WVG network-based fuzzy learning approach［J］. Frontiers in Neuroscience， 2020， 14： No.641. 10.3389/fnins.2020.00641
27	LI X， YANG C， XIE P， et al. The diagnosis of amnestic mild cognitive impairment by combining the characteristics of brain functional network and support vector machine classifier［J］. Journal of Neuroscience Methods， 2021， 363： No.109334. 10.1016/j.jneumeth.2021.109334
28	NOBUKAWA S， YAMANISHI T， KASAKAWA S， et al. Classification methods based on complexity and synchronization of electroencephalography signals in Alzheimer’s disease［J］. Frontiers in Psychiatry， 2020， 11： No.255. 10.3389/fpsyt.2020.00255
29	TZIMOURTA K D， GIANNAKEAS N， TZALLAS A T， et al. EEG window length evaluation for the detection of Alzheimer’s disease over different brain regions［J］. Brain Sciences， 2019， 9（4）： No.81. 10.3390/brainsci9040081
30	FAN M， YANG A C， FUH J L， et al. Topological pattern recognition of severe Alzheimer’s disease via regularized supervised learning of EEG complexity［J］. Frontiers in Neuroscience， 2018， 12： No.685. 10.3389/fnins.2018.00685
31	IERACITANO C， MAMMONE N， HUSSAIN A， et al. A novel multi-modal machine learning based approach for automatic classification of EEG recordings in dementia［J］. Neural Networks， 2020， 123：176-190. 10.1016/j.neunet.2019.12.006
32	TRAMBAIOLLI L R， SPOLAÔR N， LORENA A C， et al. Feature selection before EEG classification supports the diagnosis of Alzheimer’s disease［J］. Clinical Neurophysiology， 2017， 128（10）： 2058-2067. 10.1016/j.clinph.2017.06.251
33	TAVARES G， SAN-MARTIN R， IANOF J N， et al. Improvement in the automatic classification of Alzheimer’s disease using EEG after feature selection［C］// Proceedings of the 2019 IEEE International Conference on Systems， Man and Cybernetics. Piscataway： IEEE， 2019： 1264-1269. 10.1109/smc.2019.8914006
34	CAI L， WEI X， LIU J， et al. Functional integration and segregation in multiplex brain networks for Alzheimer’s disease［J］. Frontiers in Neuroscience， 2020， 14： No.51. 10.3389/fnins.2020.00051
35	KHATUN S， MORSHED B I， BIDELMAN G M. A single-channel EEG-based approach to detect mild cognitive impairment via speech-evoked brain responses［J］. IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2019， 27（5）： 1063-1070. 10.1109/tnsre.2019.2911970
36	DeTURE M A， DICKSON D W. The neuropathological diagnosis of Alzheimer’s disease［J］. Molecular Neurodegeneration， 2019， 14： No.32. 10.1186/s13024-019-0333-5
37	WEI J， XIAO W， ZHANG S， et al. Mild cognitive impairment classification convolutional neural network with attention mechanism［C］// Proceedings of the IEEE 16th International Conference on Control and Automation. Piscataway： IEEE， 2020： 1074-1078. 10.1109/icca51439.2020.9264504
38	BETROUNI N， DELVAL A， CHATON L， et al. Electroencephalography-based machine learning for cognitive profiling in Parkinson’s disease： preliminary results［J］. Movement Disorders， 2019， 34（2）： 210-217. 10.1002/mds.27528
39	IERACITANO C， MAMMONE N， BRAMANTI A， et al. A Convolutional Neural Network approach for classification of dementia stages based on 2D-spectral representation of EEG recordings［J］. Neurocomputing， 2019， 323： 96-107. 10.1016/j.neucom.2018.09.071
40	MAZROOEI RAD E， AZARNOOSH M， GHOSHUNI M， et al. Diagnosis of mild Alzheimer’s disease by EEG and ERP signals using linear and nonlinear classifiers［J］. Biomedical Signal Processing and Control， 2021， 70： No.103049. 10.1016/j.bspc.2021.103049
41	ZHANG J， GAO Y， HE X， et al. Identifying Parkinson’s disease with mild cognitive impairment by using combined MR imaging and electroencephalogram［J］. European Radiology， 2021， 31（10）： 7386-7394. 10.1007/s00330-020-07575-1
42	YIN J， CAO J， SIULY S， et al. An integrated MCI detection framework based on spectral-temporal analysis［J］. International Journal of Automation and Computing， 2019， 16（6）： 786-799. 10.1007/s11633-019-1197-4
43	HUGGINS C J， ESCUDERO J， PARRA M A， et al. Deep learning of resting-state electroencephalogram signals for three-class classification of Alzheimer’s disease， mild cognitive impairment and healthy ageing［J］. Journal of Neural Engineering， 2021， 18（4）： No.046087. 10.1088/1741-2552/ac05d8
44	SRIDHAR S， MANIAN V. EEG and deep learning based brain cognitive function classification［J］. Computers， 2020， 9（4）： No.104. 10.3390/computers9040104
45	FOULADI S， SAFAEI A A， MAMMONE N， et al. Efficient deep neural networks for classification of Alzheimer’s disease and mild cognitive impairment from scalp EEG recordings［J］. Cognitive Computation， 2022， 14（4）：1247-1268. 10.1007/s12559-022-10033-3
46	KASHEFPOOR M， RABBANI H， BAREKATAIN M. Supervised dictionary learning of EEG signals for mild cognitive impairment diagnosis［J］. Biomedical Signal Processing and Control， 2019， 53： No.101559. 10.1016/j.bspc.2019.101559
47	OLTU B， AKŞAHIN M F， KIBAROĞLU S. A novel electroencephalography based approach for Alzheimer’s disease and mild cognitive impairment detection［J］. Biomedical Signal Processing and Control， 2021， 63： No.102223. 10.1016/j.bspc.2020.102223
48	SANTOS TOURAL J E， MONTOYA PEDRÓN A， MARAÑÓN REYES E J. Classification among healthy， mild cognitive impairment and Alzheimer’s disease subjects based on wavelet entropy and relative beta and theta power［J］. Pattern Analysis and Applications， 2021， 24（2）： 413-422. 10.1007/s10044-020-00910-8
49	DRAGE R， ESCUDERO J， PARRA M A， et al. A novel deep learning approach using AlexNet for the classification of electroencephalograms in Alzheimer’s Disease and Mild Cognitive Impairment［C］// Proceedings of the 44th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway： IEEE， 2022： 3175-3178. 10.1109/embc48229.2022.9871497
50	周志华. 机器学习［M］. 北京：清华大学出版社， 2016：60.
	ZHOU Z H. Machine Learning［M］. Beijing： Tsinghua University Press， 2016： 60.
51	BREIMAN L. Random forests［J］. Machine Learning， 2001， 45（1）： 5-32. 10.1023/a:1010933404324
52	ALVI A M， SIULY S， WANG H. A long short-term memory based framework for early detection of mild cognitive impairment from EEG signals［J］. IEEE Transactions on Emerging Topics in Computational Intelligence， 2023， 7（2）： 375-388. 10.1109/tetci.2022.3186180
53	ALVI A M， SIULY S， WANG H， et al. A deep learning based framework for diagnosis of mild cognitive impairment［J］. Knowledge-Based Systems， 2022， 248： No.108815. 10.1016/j.knosys.2022.108815
54	McLAUGHLIN D， KLEE D， MEMMOTT T， et al. Methodology and preliminary data on feasibility of a neurofeedback protocol to improve visual attention to letters in mild Alzheimer’s disease［J］. Contemporary Clinical Trials Communications， 2022， 28： No.100950. 10.1016/j.conctc.2022.100950
55	JIRAYUCHAROENSAK S， ISRASENA P， PAN-NGUM S， et al. A game-based neurofeedback training system to enhance cognitive performance in healthy elderly subjects and in patients with amnestic mild cognitive impairment［J］. Clinical Interventions in Aging， 2019， 14： 347-360. 10.2147/cia.s189047
56	TANVEER M， RICHHARIYA B， KHAN R U， et al. Machine learning techniques for the diagnosis of Alzheimer’s disease： a review［J］. ACM Transactions on Multimedia Computing， Communications and Applications， 2020， 16（1s）： No.30. 10.1145/3344998
57	CASSANI R， ESTARELLAS M， SAN-MARTIN R， et al. Systematic review on resting-state EEG for Alzheimer’s disease diagnosis and progression assessment［J］. Disease Markers， 2018， 2018： No.5174815. 10.1155/2018/5174815
58	LAW Z K， TODD C， MEHRARAM R， et al. The role of EEG in the diagnosis， prognosis and clinical correlations of dementia with Lewy bodies — a systematic review［J］. Diagnostics， 2020， 10（9）： No.616. 10.3390/diagnostics10090616
59	JESUS B， Jr.， CASSANI R， McGEOWN W J， et al. Multimodal prediction of Alzheimer’s disease severity level based on resting-state EEG and structural MRI［J］. Frontiers in Human Neuroscience， 2021， 15： No.700627. 10.3389/fnhum.2021.700627
60	CICALESE A C， LI R， AHMADI M B， et al. An EEG-fNIRS hybridization technique in the four-class classification of Alzheimer’s disease［J］. Journal of Neuroscience Methods， 2020， 336： No.108618. 10.1016/j.jneumeth.2020.108618
61	HO T K K， KIM M， JEON Y， et al. Improving the multi‐class classification of Alzheimer’s disease with machine learning‐based techniques： an EEG-fNIRS hybridization study［J］. Alzheimer’s and Dementia， 2021， 17（S7）： No.e057565. 10.1002/alz.057565
62	YANG S， BORNOT J M S， WONG-LIN K， et al. M/EEG-based bio-markers to predict the MCI and Alzheimer’s disease： a review from the ML perspective［J］. IEEE Transactions on Biomedical Engineering， 2019， 66（10）： 2924-2935. 10.1109/tbme.2019.2898871
63	RAO S， LI K， WU J， et al. Application of ensemble learning in EEG signal analysis of fatigue driving［J］. Journal of Physics： Conference Series， 2021， 1744（4）： No.042193. 10.1088/1742-6596/1744/4/042193
64	MING Y， WU D， WANG Y K， et al. EEG-based drowsiness estimation for driving safety using deep Q-learning［J］. IEEE Transactions on Emerging Topics in Computational Intelligence， 2021， 5（4）： 583-594. 10.1109/tetci.2020.2997031

特征类型	实验	被试人数	分类算法	准确率/%
特征类型	实验	被试人数	分类算法	区分AD和HC	区分MCI和HC
时域	ERP^［5］	HC：8，MCI：5	稀疏分类器	—	95.00
时域	ERP^［37］	HC：15，MCI：16	CNN	—	99.77
频域	静息态^［8］	HC：6，MCI：4，AD：4	深度玻尔兹曼机	95.04	95.04
	静息态^［29］	HC：10，AD：14	MLP、KNN、SVM、朴素贝叶斯、决策树	96.78	—
	静息态^［38］	共118例，根据认知障碍程度分为5组	SVM、KNN	—	88.00
	静息态^［33］	HC：17，AD：19	逻辑回归、决策树、SVM、集成分类器	95.60	—
	静息态^［39］	HC：63，MCI：63，AD：63	CNN	92.95	91.88
	ERP^［40］	HC：19，轻度AD：11，重度AD：10	LDA、Elman神经网络、CNN	99.00	—
	静息态^［32］	HC：12，AD：22	SVM	91.18	—
时频	静息态^［14］	HC：63，MCI：63，AD：63	自动编码器、MLP、逻辑回归、SVM	95.76	—
	静息态^［15］	HC：11，MCI：8，中度AD：11，重度AD：8	决策树、SVM、ANN	95.99	98.06
	静息态^［31］	HC：63，MCI：63，AD：63	自动编码器、MLP、逻辑回归、SVM	96.95	96.24
	静息态^［41］	HC：36，MCI：35	SVM	—	80.00
	静息态^［42］	HC：11，MCI：11	决策树、KNN、SVM	—	96.94
	静息态^［43］	HC：52，MCI：37，AD：52	CNN	99.30	98.30
	ERP^［44］	HC：28，MCI：7	RNN	—	91.93
	静息态^［45］	HC：16，MCI：37，AD：37	CNN	92.70	92.70
非线性	ERP^［18］	HC：5，MCI：10	逻辑回归、LDA、SVM、随机森林、前馈神经网络	—	80.00
非线性	静息态^［19］	HC：16，MCI：11	ELM、SVM、KNN	—	98.78
脑网络和功能连接	静息态^［24］	HC：15，AD：15	SVM、决策树、KNN、朴素贝叶斯分类器	96.63	—
	静息态^［25］	HC：120，AD：175	SVM	95.00	—
	静息态^［26］	HC：30，AD：30	Takagi-Sugeno-Kang模糊模型	97.83	—
	静息态^［27］	HC：21，MCI：28	KNN、朴素贝叶斯分类器、SVM、反向传播网络	—	90.20
	静息态^［34］	HC：20，AD：20	SVM、KNN、朴素贝叶斯分类器、LDA	92.50	—
时域、频域	ERP^［3］	HC：10，MCI：7	SVM、逻辑回归、随机森林	—	87.90
	静息态^［4］	HC：15，MCI：15	SVM、KNN	—	98.57
	ERP^［35］	HC：15，MCI：8	SVM、逻辑回归	—	87.90
	静息态^［46］	HC：32，MCI：29	监督型字典学习	—	88.90
时域、时频、非线性	静息态^［6］	HC：35，轻度AD：31，中度AD：20	SVM、KNN、LDA	97.64	—
频域、时频	静息态^［10］	HC：27，MCI：24	SVM、LDA	—	90.20
频域、时频	静息态^［13］	HC：20，AD：20	KNN	90.26	—
频域、非线性	静息态^［7］	HC：37，MCI：37，AD：37	LDA、二次判别分析、MLP	76.47	—
频域、非线性、功能连接	静息态^［9］	HC：27，MCI：24，AD：23	SVM、LDA	78.00	80.39
频域、时频、非线性、功能连接	静息态^［17］	HC：113，MCI：116， AD：72	LDA、逻辑回归、朴素贝叶斯分类器、SVM、最近邻分类器、随机森林、集成树	72.43	59.91
时频、非线性	静息态^［21］	MCI：37，AD：37	决策树、朴素贝叶斯分类器、KNN、增强概率神经网络	—	—
	静息态^［47］	HC：11，MCI：16，AD：8	SVM、KNN、决策树、袋装树	94.44	92.30
	静息态^［48］	HC：17，MCI：9，AD：15	SVM+神经网络	95.12	97.56
非线性、功能连接	静息态^［23］	HC：21，MCI：28	ELM	—	89.78
	静息态^［28］	HC：16，AD：18	SVM	73.50	—
	静息态^［49］	HC：52，MCI：37，AD：52	CNN	98.13	98.13

特征类型	实验	被试人数	分类算法	准确率/%
特征类型	实验	被试人数	分类算法	区分AD和HC	区分MCI和HC
时域	ERP^［5］	HC：8，MCI：5	稀疏分类器	—	95.00
时域	ERP^［37］	HC：15，MCI：16	CNN	—	99.77
频域	静息态^［8］	HC：6，MCI：4，AD：4	深度玻尔兹曼机	95.04	95.04
	静息态^［29］	HC：10，AD：14	MLP、KNN、SVM、朴素贝叶斯、决策树	96.78	—
	静息态^［38］	共118例，根据认知障碍程度分为5组	SVM、KNN	—	88.00
	静息态^［33］	HC：17，AD：19	逻辑回归、决策树、SVM、集成分类器	95.60	—
	静息态^［39］	HC：63，MCI：63，AD：63	CNN	92.95	91.88
	ERP^［40］	HC：19，轻度AD：11，重度AD：10	LDA、Elman神经网络、CNN	99.00	—
	静息态^［32］	HC：12，AD：22	SVM	91.18	—
时频	静息态^［14］	HC：63，MCI：63，AD：63	自动编码器、MLP、逻辑回归、SVM	95.76	—
	静息态^［15］	HC：11，MCI：8，中度AD：11，重度AD：8	决策树、SVM、ANN	95.99	98.06
	静息态^［31］	HC：63，MCI：63，AD：63	自动编码器、MLP、逻辑回归、SVM	96.95	96.24
	静息态^［41］	HC：36，MCI：35	SVM	—	80.00
	静息态^［42］	HC：11，MCI：11	决策树、KNN、SVM	—	96.94
	静息态^［43］	HC：52，MCI：37，AD：52	CNN	99.30	98.30
	ERP^［44］	HC：28，MCI：7	RNN	—	91.93
	静息态^［45］	HC：16，MCI：37，AD：37	CNN	92.70	92.70
非线性	ERP^［18］	HC：5，MCI：10	逻辑回归、LDA、SVM、随机森林、前馈神经网络	—	80.00
非线性	静息态^［19］	HC：16，MCI：11	ELM、SVM、KNN	—	98.78
脑网络和功能连接	静息态^［24］	HC：15，AD：15	SVM、决策树、KNN、朴素贝叶斯分类器	96.63	—
	静息态^［25］	HC：120，AD：175	SVM	95.00	—
	静息态^［26］	HC：30，AD：30	Takagi-Sugeno-Kang模糊模型	97.83	—
	静息态^［27］	HC：21，MCI：28	KNN、朴素贝叶斯分类器、SVM、反向传播网络	—	90.20
	静息态^［34］	HC：20，AD：20	SVM、KNN、朴素贝叶斯分类器、LDA	92.50	—
时域、频域	ERP^［3］	HC：10，MCI：7	SVM、逻辑回归、随机森林	—	87.90
	静息态^［4］	HC：15，MCI：15	SVM、KNN	—	98.57
	ERP^［35］	HC：15，MCI：8	SVM、逻辑回归	—	87.90
	静息态^［46］	HC：32，MCI：29	监督型字典学习	—	88.90
时域、时频、非线性	静息态^［6］	HC：35，轻度AD：31，中度AD：20	SVM、KNN、LDA	97.64	—
频域、时频	静息态^［10］	HC：27，MCI：24	SVM、LDA	—	90.20
频域、时频	静息态^［13］	HC：20，AD：20	KNN	90.26	—
频域、非线性	静息态^［7］	HC：37，MCI：37，AD：37	LDA、二次判别分析、MLP	76.47	—
频域、非线性、功能连接	静息态^［9］	HC：27，MCI：24，AD：23	SVM、LDA	78.00	80.39
频域、时频、非线性、功能连接	静息态^［17］	HC：113，MCI：116， AD：72	LDA、逻辑回归、朴素贝叶斯分类器、SVM、最近邻分类器、随机森林、集成树	72.43	59.91
时频、非线性	静息态^［21］	MCI：37，AD：37	决策树、朴素贝叶斯分类器、KNN、增强概率神经网络	—	—
	静息态^［47］	HC：11，MCI：16，AD：8	SVM、KNN、决策树、袋装树	94.44	92.30
	静息态^［48］	HC：17，MCI：9，AD：15	SVM+神经网络	95.12	97.56
非线性、功能连接	静息态^［23］	HC：21，MCI：28	ELM	—	89.78
	静息态^［28］	HC：16，AD：18	SVM	73.50	—
	静息态^［49］	HC：52，MCI：37，AD：52	CNN	98.13	98.13

来源	特征类型	特征值	核函数	平均准确率/%
文献［17］	频域、时频、非线性、功能连接	相对功率、小波变换特征、排列熵、样本熵、小波熵和LempelZiv复杂度等	线性核	60.48
文献［18］	非线性	多尺度熵	径向基核	80.00
文献［19］	非线性	自回归阶数和排列熵	线性核	97.41
文献［25］	功能连接	小世界参数	径向基核	95.00
文献［28］	非线性、功能连接	样本熵、相位滞后指数	线性核	73.50
文献［38］	频域	各频段的绝对功率和相对功率	径向基核	77.75
文献［31］	时频	各脑电子带的均值、标准差偏度和熵	线性核	76.13
文献［41］	时频	各脑电子带的功率谱	径向基核	62.50
文献［34］	脑网络	动态和跨频多重脑网络属性	径向基核	92.50
文献［35］	时域、频域	Pa、P1、N1、P2等ERP成分的波峰和潜伏期、各频段的相对功率	径向基核	87.90

来源	特征类型	特征值	核函数	平均准确率/%
文献［17］	频域、时频、非线性、功能连接	相对功率、小波变换特征、排列熵、样本熵、小波熵和LempelZiv复杂度等	线性核	60.48
文献［18］	非线性	多尺度熵	径向基核	80.00
文献［19］	非线性	自回归阶数和排列熵	线性核	97.41
文献［25］	功能连接	小世界参数	径向基核	95.00
文献［28］	非线性、功能连接	样本熵、相位滞后指数	线性核	73.50
文献［38］	频域	各频段的绝对功率和相对功率	径向基核	77.75
文献［31］	时频	各脑电子带的均值、标准差偏度和熵	线性核	76.13
文献［41］	时频	各脑电子带的功率谱	径向基核	62.50
文献［34］	脑网络	动态和跨频多重脑网络属性	径向基核	92.50
文献［35］	时域、频域	Pa、P1、N1、P2等ERP成分的波峰和潜伏期、各频段的相对功率	径向基核	87.90

算法	准确率	精确率	召回率	F1值
SVM	77.55	76.93	78.70	77.81
KNN	76.69	77.21	75.74	76.47
LDA	60.97	59.13	71.01	64.53
朴素贝叶斯分类	70.05	66.59	80.47	72.88
决策树	70.60	70.43	71.00	70.72
随机森林	78.48	77.00	81.07	78.98

基于脑电信号的认知功能障碍识别与分类进展综述

Review on advances in recognition and classification of cognitive impairment based on EEG signals

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 64

相关文章 15

编辑推荐

Metrics

[1]	崔昊阳, 张晖, 周雷, 杨春明, 李波, 赵旭剑. 有序规范实数对多相似度K最近邻分类算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2673-2678.
[2]	田悦霖, 黄瑞章, 任丽娜. 融合局部语义特征的学者细粒度信息提取方法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2707-2714.
[3]	张涵钰, 李振波, 李蔚然, 杨普. 基于机器视觉的水产养殖计数研究综述[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2970-2982.
[4]	陈俊韬, 朱子奇. 基于多尺度特征提取与融合的图像复制-粘贴伪造检测[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2919-2924.
[5]	何子仪, 杨燕, 张熠玲. 深度融合多视图聚类网络[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2651-2656.
[6]	王一, 谢杰, 程佳, 豆立伟. 基于深度学习的RGB图像目标位姿估计综述[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2546-2555.
[7]	李校林, 杨松佳. 基于深度学习的多用户毫米波中继网络混合波束赋形[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2511-2516.
[8]	郭祥, 姜文刚, 王宇航. 基于改进Inception-ResNet的加密流量分类方法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2471-2476.
[9]	崔雨萌, 王靖亚, 刘晓文, 闫尚义, 陶知众. 融合注意力和裁剪机制的通用文本分类模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2396-2405.
[10]	张琨, 杨丰玉, 钟发, 曾广东, 周世健. 基于混合代码表示的源代码脆弱性检测[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2517-2526.
[11]	钟静, 林晨, 盛志伟, 张仕斌. 基于汉明距离的量子K-Means算法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2493-2498.
[12]	梁敏, 刘佳艺, 李杰. 融合迭代反馈与注意力机制的图像超分辨重建方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2280-2287.
[13]	叶坤佩, 熊熙, 丁哲. 基于领域融合和时间权重的招工推荐模型[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2133-2139.
[14]	岑黎彬, 李靖东, 林淳波, 王晓玲. 基于深度自回归模型的近似查询处理方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2034-2039.
[15]	蓝梦婕, 蔡剑平, 孙岚. 非独立同分布数据下的自正则化联邦学习优化方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2073-2081.