【报告内容】

汇报人：梁帅鹏

汇报单位：河海大学

主题：《GaborPDNet: Gabor Transformation and Deep Neural Network for Parkinson’s Disease Detection Using EEG Signals》

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1.待解决的问题描述

帕金森病（PD） 是一种常见的神经退行性疾病，以运动迟缓、震颤、僵硬等为主要症状，目前主要依靠临床症状进行诊断，误诊率较高。此外，到帕金森病确诊时，估计超过60%的多巴胺能神经元已经丢失。从而延长了受帕金森病影响的个人的诊断时间。早期准确诊断可能为神经保护治疗停止甚至逆转神经退变过程提供一个关键的治疗窗口。传统机器学习方法需要手动提取特征，过程繁琐且依赖专家经验。深度学习（如CNN）能自动学习特征，避免人工干预，更适合EEG信号分析。因此，一种不依赖于临床运动特征检测的更有效的诊断方法对于改善帕金森病患者的至关重要。

2.相关创新方案

Gabor transform：Gabor 变换是傅里叶变换和高斯分布函数的组合，可用于生成频谱图，该图将频率与时间进行关联。Gabor 变换中的高斯分布函数充当一个核，沿着一维信号移动，并计算其窗口内傅里叶变换和高斯函数的乘积，从而提供不同频率发生时的时间信息。

2D-CNN model：卷积层将输入的图像与多个核进行卷积，生成不同类型的特征图。进行第一次特征提取。较大的核尺寸（5x5）有助于在早期捕获更大范围的、更抽象的模式较小的核尺寸（3x3）专注于更精细的、局部的模式。卷积层后面的池化层降低了特征图的复杂性，从而防止CNN模型过度拟合。使用零填充来防止图像边缘的信息丢失；在池化层之后，特征图被展平成单列表向量，然后输入到全连接层。全连接和输出层包含经过训练以识别和分类单列表向量的神经元。输出层的节点数量根据本研究中进行的实验类型而有所不同。

3.实验总结

提出了一种名为 GaborPDNet 的自动化深度学习框架，旨在利用脑电图（EEG）信号来检测帕金森病（PD），并能区分患者是否服用了多巴胺能药物。使用 Gabor变换 将一维EEG时间序列信号转换为二维时频谱图。这能将信号的频率、时间和能量信息以图像形式直观呈现。设计了一个专用的二维卷积神经网络输入：Gabor频谱图。结构：2个卷积层（带ReLU和Dropout） + 1个最大池化层 + 全连接层。输出：使用Softmax（三分类）或Sigmoid（二分类）函数进行预测。进行了四个实验，涵盖二分类和三分类任务，以全面评估模型性能。模型在区分健康人与PD患者方面表现极其出色，但在区分患者药物状态时存在一定难度。

4.未来工作

在更大规模、更多样化的数据库上验证模型。开发云端部署方案，以解决计算资源限制，便于临床集成。探索其他生物标志物（如语音、步态、书写分析）与EEG进行融合，构建多模态诊断系统。

报告时间：2025年09月12日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)