Utfordringen
EEG er billig og ikke-invasivt, men signalene er støyfylte og forskjellene mellom demensformer subtile. Med bare 88 deltakere er det også lett å få kunstig gode resultater hvis data fra samme person havner både i trening og test.
Løsningen
To typer representasjoner ble sammenlignet: spektrale og wavelet-baserte features per hjerneregion (Welch-spektrum med relative båndeffekter og mål på langsommere EEG, samt db4-wavelets), og kovariansmatriser mellom de 19 kanalene projisert til tangentrommet på en riemannsk mangfoldighet. Begge ble klassifisert med lineær SVM og vurdert per deltaker.
Hvordan det ble bygget
Prosjektet ble gjennomført i en gruppe; jeg bidro på tvers av databehandling, modellering og evaluering. Datagrunnlaget var et offentlig, forhåndsprosessert hvile-EEG-datasett (OpenNeuro ds004504) med 88 deltakere (36 med Alzheimers, 23 med frontotemporal demens og 29 kontroller), delt i 4-sekunders epoker. All evaluering brukte stratifisert, deltakergruppert 5-fold kryssvalidering, der alle epoker fra én person holdes i samme fold, og den riemannske modellen slår sammen epokeprediksjoner til én prediksjon per deltaker. En permutasjonstest med tilfeldige etiketter, en læringskurve og tolkning av de viktigste kanalparene ble brukt til å kontrollere resultatet.
Resultat
Den riemannske tilnærmingen ga macro-F1 på omtrent 0,65 per deltaker, mot 0,56 for den beste spektrale baselinen og omtrent 0,36 med tilfeldig permuterte etiketter. Frontotemporal demens var klart vanskeligst å skille ut.
Kontekst
Dette er et klassifiseringseksperiment på et lite, retrospektivt forskningsdatasett, ikke et diagnostisk verktøy. Resultatet er moderat, regulariseringen ble justert på de samme foldene uten nestet validering, og permutasjonstesten besto av få kjøringer.