Dépôt numérique
RECHERCHER

On the use of saliency maps for improved modulation spectral patch features for Alzheimer’s disease diagnosis.

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Soares Lopes, Marilia Karla (2021). On the use of saliency maps for improved modulation spectral patch features for Alzheimer’s disease diagnosis. Mémoire. Québec, Maîtrise en télécommunications, Université du Québec, Institut national de la recherche scientifique, 93 p.

[thumbnail of Soares Lopes, Marilia Karina.pdf]
Prévisualisation
PDF
Télécharger (5MB) | Prévisualisation

Résumé

La maladie d’Alzheimer (MA) est une maladie progressive neurodégénérative qui représente 60 à 80% des cas de démence dans le monde. Il n’y a pas de remède contre la MA, mais un diagnostic précoce peut diminuer la gravité de la maladie en plus d’améliorer la qualité de vie des patients, de leurs familles et de faciliter le travail des soignants. Les biomarqueurs basés sur l’électroencéphalographie (EEG) sont devenus des outils prometteurs dans l’étude de la MA, avec l’avantage d’être non invasifs, moins coûteux et potentiellement portables par rapport à d’autres biomarqueurs. Parmi ces biomarqueurs, nous présentons dans ce travail un ensemble de caractéristiques de signaux nommée "patch spectral de modulation". De telles caractéristiques ont été trouvées sur la base d’une inspection visuelle du spectre de modulation sur des sujets sains et des patients atteints de MA du même âge. Au cours des dernières années, cependant, les innovations en apprentissage automatique, par les réseaux de neurones profonds, ont révolutionné de nombreuses applications de traitement d’images et de signaux biomédicaux. Dans cette thèse, nous explorons leur utilisation dans la construction de meilleurs biomarqueurs pour l’évaluation de la MA. En particulier, nous explorons l’utilisation de cartes de saillance obtenues à partir de la classification par un réseau de convolutions (CNN) afin d’extraire des paths spectral de modulation optimaux dans un sens plus orienté-données. L’étude repose sur des données recueillies auprès de cinquante-quatre participants, dont 20 sujets sains, 19 patients atteints de MA légère et 15 patients atteints de MA modérée à sévère. Tous les participants ont consenti à participer à l’étude. Des signaux EEG à vingt canaux ont été acquis au cours de séances de huit minutes à l’état de repos et les yeux fermés. Les enregistrements EEG ont été filtrés entre 0,5 et 45 Hz, puis pré-traités à l’aide d’une analyse en composantes indépendantes améliorée par ondelettes afin de supprimer automatiquement les artefacts. La carte de saillance moyenne a été extraite de l’ensemble de validation afin de mettre en évidence les "patchs" de modulation pertinents d’une manière orientée données. Le modèle CNN comporte deux couches convolutives et trois couches entièrement connectées. Nous utilisons ensuite les nouvelles régions trouvées par la carte de saillance comme caractéristiques à entrer dans un classificateur de machine à vecteurs de support (SVM). Les résultats expérimentaux sont comparés à ceux obtenus avec les caractéristiques de patch trouvées par inspection visuelle et une précision améliorée est obtenue avec la méthode proposée. Enfin, des tests de régression sont effectués et montrent que les caractéristiques de signaux proposées mesurent bien des changements neuronaux dus à la dégénérescence neuronale de la MA et non dus a celle du vieillissement normal. Dans l’ensemble, l’étude montre que les spectres de modulation EEG couplés à des cartes de saillance CNN sont capables d’extraire des caractéristiques pertinentes pour le diagnostic de la maladie d’Alzheimer. Cette approche, axée sur les données, était capable de trouver de nouveaux patchs spectraux non détectés par une inspection visuelle humaine. Les travaux futurs devraient explorer l’importance de chaque canal EEG, afin de réduire le nombre d’électrodes et mène potentiellement à une solution plus portable et plus rentable.

Abstract

Alzheimer’s disease (AD) is a progressive neurodegenerative disease accounting for 60–80% of de mentia cases worldwide. There is no cure for AD, but early diagnosis can decrease the severity of the disorder in addition to improving the quality of life of patients, their families and caregivers. Biomarkers based on electroencephalography (EEG) have emerged as a promising tool in the study of AD, with the advantage of being non-invasive, less expensive, and potentially portable when compared to other biomarkers. One such biomarker has been the so-called “modulation spectral patch feature”. Such features were found based on visual inspection of modulation spectrogram from healthy controls and age-matched AD patients. Over the last few years, however, innovations in machine learning, in deep neural networks, have revolutionized many biomedical image and signal processing applications. In this thesis, we explore their use in building better biomarkers for AD assessment. In particular, we explore the use of saliency maps obtained from classification using convolutional neural networks (CNN) to extract optimal feature patches in a data-driven sense. The study relies on data collected from fifty-four participants, including 20 healthy controls, 19 patients with mild AD, and 15 moderate-to severe AD patients. All participants consented to participate in the study. Twenty-channel EEG signals were acquired during eyes-closed resting state sessions of eight minutes. The EEG recordings were filtered between 0.5-45 Hz and then pre-processed using wavelet-enhanced independent components analysis in order to automatically remove artifacts. The average saliency map was extracted from the validation set in order to highlight the relevant modulation “patches” in a data-driven manner. The CNN model has two convolutional layers and three fully connected layers. We then use the new regions found by the saliency map as features to be input to a support vector machine (SVM) classifier. Experimental results are compared to those achieved with the patch features found by visual inspection and improved accuracy is achieved with the proposed method. Lastly, regression tests are performed and show that the proposed features are indeed measuring neural changes due to neural degeneration due to AD and not due to normal aging. Overall, the study shows that EEG modulation spectrograms coupled with CNN saliency maps are capable of extracting relevant features for Alzheimer’s disease diagnosis. The data-driven aspect was capable of finding useful patches not detected via human visual inspection. Future work should explore the importance of each EEG channel, potentially leading to a more portable and cost effective solution.

Type de document: Thèse Mémoire
Directeur de mémoire/thèse: Falk, Tiago H.
Mots-clés libres: maladie d’Alzheimer (MA); électroencéphalographie (EEG); réseaux de neurones convolutifs (CNN); cartes de saillance; Alzheimer’s disease (AD); electroencephalography (EEG); convolutional neural networks (CNN); saliency maps
Centre: Centre Énergie Matériaux Télécommunications
Date de dépôt: 04 mars 2022 16:37
Dernière modification: 04 mars 2022 16:37
URI: https://espace.inrs.ca/id/eprint/12477

Actions (Identification requise)

Modifier la notice Modifier la notice