BAHAN DAN METODE DESAIN

Kami melakukan analisis retrospektif dari AD dan pasien VAD, memeriksa EEG yang
dikumpulkan sebagai bagian dari prosedur diagnostik klinis.
MENCICIPI
Database dari departemen neurofisiologi dari Haukeland University Hospital berisi
lebih dari 37.000 dataset EEG dari sekitar 23.000 subyek yang tersedia secara
internal untuk penelitian. Dari database ini, kami awalnya memilih sampel
kenyamanan semua dataset dari luar pasien yang didiagnosis dengan AD (n D534),
dengan penyakit klasifikasi internasional (ICD) kode ICD-10, F00.x dan G30.x; VAD
(n D203) (ICD-10F01.X), dan NC (n D3138) dari non individu di rumah sakit duduk
saat rekaman EEG, bebas dari obat-obatan, dan tanpa penyakit otak pada catatan.
Usia rata-rata dan SD dari sampel awal yang 74.34_9.92, 72.41_11.16, dan
52.2_14.38 tahun untuk AD, VAD, dan NC, masing-masing. Kami menerapkan
kriteria ketat untuk inklusi dan eksklusi sampel seperti yang dijelaskan dalam
Bagian "Kriteria Seleksi" dan "Pre-processing," yang tersisa dengan total 242,88,
dan 1950 dataset pada AD, kelompok VAD, dan NC, masing-masing. Sampel
kemudian usia dan jenis kelamin dicocokkan, meninggalkan 77 kasus dalam setiap
kelompok, dengan usia rata-rata 73.1_10.4 tahun dan 51% laki-laki.
Kriteria seleksi
Untuk sampel awal yang dijelaskan di atas, kita menerapkan kriteria inklusi yang
sama untuk semua kelompok. Pertama, kita dikecualikan pasien dengan usia di
bawah 35 tahun pada saat rekaman. Kedua, kita dikecualikan rekaman EEG
dilakukan ketika subjek dirawat di rumah sakit. Terakhir, kami dikecualikan
beberapa dataset EEG dari setiap pasien termasuk hanya dataset EEG terbaru dari
masing-masing. Aturan pengecualian umum diterapkan saat kongruen, cukup, atau
miskin kualitas data ditemukan di klinik atau pribadi informasi pasien, yang
dikeluarkan 988 pasien. Kami dianggap obat yang diresepkan untuk setiap pasien
pada saat perekaman EEG, dan dikecualikan pasien yang memakai antikolinergik
dan dopaminergik agen, antipsikotik, anxiolytics, hipnotik dan sedatif, anti-depresi,
dan stimulan psiko. Sebuah daftar lengkap dari obat yang diresepkan dilanjutkan
pada Tabel S1 di Bahan Tambahan. Seluruh klinis mendiagnosa sejarah yang
tersedia dari catatan masing-masing pasien itu dipertimbangkan: untuk pasien milik
NC, kami dikecualikan mereka yang telah didiagnosis pada setiap titik waktu
(sebelum atau posting tanggal perekaman EEG) dengan CVD, setiap mental,
perilaku , atau gangguan perkembangan neuro. Untuk AD dan kelompok VAD, kami
dikecualikan mereka yang telah didiagnosis setiap saat dengan otak atau gangguan

SSP terkait. Secara khusus, AD dan kelompok VAD terkandung dataset dari pasien
yang telah didiagnosis hanya dengan penyakit Alzheimer atau VAD, masing-masing,
sebelum atau terus-menerus setelah tanggal perekaman EEG. Untuk rincian lebih
lanjut tentang kriteria seleksi, silakan lihat Tabel S2 di Bahan Tambahan. Dari
sampel awal, kita dianggap 2092, 269, dan 118 dataset untuk NC, AD, dan
kelompok VAD, masing-masing, yang disampaikan kepada preprocessing. Sebanyak
199 dataset dikeluarkan selama preprocessing karena zaman tidak cukup (lihat
extsection). Sampel akhir yang dibentuk oleh 77 usia dan mata pelajaran gender
cocok pada setiap kelompok dengan rata-rata usia 71.5_11.2, 73.5_9.9, dan
74.1_9.9, masing-masing. Distribusi jenis kelamin adalah 49, 51, dan 52% laki-laki
untuk NC, AD, dan kelompok VAD, masing-masing.
Pre-processing
Semua dataset EEG diperoleh dengan menggunakan 22 saluran diposisikan pada
10-20 penempatan sistem (FP1, FPZ, Fp2, F7, F3, Fz, F4, F8, T3 / T7, C3, Cz, C4, T4 /
T8, T5 / P7, P3, Pz, P4, T6 / P8, O1, O2, M1, M2) diperoleh pada 128Hz (n D59), 256
Hz (n D164), dan 500 Hz (n D8) menggunakan sistem Nicolet Satu EEG.
Impedansi masukan yang ditetapkan untuk Z> 100m2. Hardware tiang tunggal
tinggi-pass (0.16Hz_10%) dan low-pass (500Hz_10%) filter yang diterapkan secara
individual untuk masing-masing saluran sebelum pra amplifikasi. EEG yang
disimpan di bawah format baku dalam database. Semua pra-pengolahan dan
analisis data dilakukan dalam Math works lingkungan Matlab. EEG file mentah
yang diimpor ke toolbox EEGLabv.10.1.1.0b (38) menggunakan data reader di
rumah. Data resampled 256 Hz. Dari EEG klinis protokol rekaman standar yang
berlangsung selama 20 menit dan termasuk mata terbuka kondisi, hiperventilasi,
dan provokasi / ditutup dengan stimulasi fotik, yang stricted input data untuk
analisis lain yang patut pertama 9 menit, yang berisi hanya mata bolak buka / tutup
d kondisi istirahat. A1536-poin filter high-pass-band diaplikasikan dengan frekuensi
cut-off dari 0,5 dan alow-pass filter dengan cut-off 50 Hz menggunakan standar
linear-fase desain filter FIR setidaknya persegi. EEG yang tersegmentasi menjadi
zaman tidak tumpang tindih dari topi 1 dievaluasi untuk kemungkinan penolakan
menggunakan amplitudo otomatis, listrik, dan thresholding statistik. Segmen yang
tersisa menjadi sasaran analisis individu independen komponen (ICA) menggunakan
algoritma Infomax dengan 15 komponen untuk mengidentifikasi dan menghapus
kontribusi sisa dari gerakan mata. Empat template spasial untuk jenis artefak yang
dihasilkan dengan menggunakan 24 dataset secara acak, di mana peta artefak
yang sesuai yang secara visual diidentifikasi dan rata-rata seluruh mata pelajaran
untuk membentuk template. Gambar1 Menampilkan template gerakan mata. The

topografi ICA dari setiap dataset EEG berkorelasi terhadap artefak template dan
dihapus jika koefisien korelasi mutlak atas 0,8 ditemukan. Data kontinyu
direkonstruksi dari komponen non-artefak dan kemudian tersegmentasi ke zaman
2s dengan 1s tumpang tindih, yang setara dengan prosedur Welch (39) dengan
jendela persegi panjang dan 50% segmen tumpang tindih. Selanjutnya, data diubah
menjadi domain frekuensi menggunakan transformasi Fourier cepat (FFT). Karena
spektrum frekuensi yang dipilih untuk pra-pengolahan adalah 0,5-50 Hz, kami
memperoleh 100 titik data frekuensi untuk 22 saluran dan sejumlah variabel zaman
untuk setiap dataset dikenakan untuk analisis. Deviasi standar spasial (sSTD) indeks
masing-masing zaman dihitung di seluruh 22 saluran dalam domain frekuensi
sesuai dengan (40) dan z-mencetak. Zaman di mana indeks sSTD melebihi | z |> 1
dikeluarkan dari analisis lebih lanjut, seperti digambarkan pada Gambar 2. Dengan
pengecualian dari zaman tersebut, kita berakhir dengan sejumlah segmen tersedia
data untuk sampel awal. Dalam rangka untuk menyatukan jumlah data seluruh
mata pelajaran untuk sampel akhir, kami menentukan jumlah minimum umum dari
zaman yang ada di seluruh mata pelajaran yang dimaksimalkan inklusi. Hal ini
mengakibatkan pemilihan 334 zaman data dari masing-masing dataset
(approx.5m30s). Subyek dengan kurang dari 334 zaman dikeluarkan dari sampel
awal. The zaman yang tersedia dari sampel akhir mengikuti distribusi normal di tiga
kelompok dengan rata-rata 386_24 untuk kelompok NC, 391_28 zaman untuk AD,
dan 387_20 untuk VAD. Tidak ada perbedaan signifikan yang ditemukan dalam
jumlah segmen tersedia data taruhan kita en tiga kelompok (F D1.03, p D0.43).
Zaman yang berisi amplitudo tinggi di kisaran alpha band (8-12Hz), diberi prioritas
untuk dimasukkan dan zaman yang tersisa dibuang. Dengan cara ini, kita
diharapkan untuk memaksimalkan ekspresi frekuensi alpha dalam analisis. Setelah
pencocokan usia-jenis kelamin kelompok, sampel akhir yang digunakan dalam
analisis itu terdiri dari 334 zaman data untuk setiap mata pelajaran dan mata
pelajaran 77 dalam setiap kelompok.
Pre-processing
Semua dataset EEG diperoleh dengan menggunakan 22 saluran diposisikan pada
10-20 penempatan sistem (FP1, FPZ, Fp2, F7, F3, Fz, F4, F8, T3 / T7, C3, Cz, C4, T4 /
T8, T5 / P7, P3, Pz, P4, T6 / P8, O1, O2, M1, M2) diperoleh pada 128Hz (n D59), 256
Hz (n D164), dan 500 Hz (n D8) menggunakan sistem Nicolet Satu EEG.
Impedansi masukan yang ditetapkan untuk Z> 100m2. Hardware tiang tunggal
tinggi-pass (0.16Hz_10%) dan low-pass (500Hz_10%) filter yang diterapkan secara
individual untuk masing-masing saluran sebelum pra amplifikasi. EEG yang
disimpan di bawah format baku dalam database. Semua pra-pengolahan dan

analisis data dilakukan dalam Math works lingkungan Matlab. EEG file mentah
yang diimpor ke toolbox EEGLab.10.1.1.0b (38) menggunakan data reader di rumah.
Data resampled 256 Hz. Dari EEG klinis protokol rekaman standar yang berlangsung
selama 20 menit dan termasuk mata terbuka kondisi, hiperventilasi, dan provokasi /
ditutup dengan stimulasi fotik, yang stricted input data untuk analisis lain yang
patut pertama 9 menit, yang berisi hanya mata bolak buka / tutup d kondisi
istirahat. A1536-poin filter high-pass-band diaplikasikan dengan frekuensi cut-off
dari 0,5 dan alow-pass filter dengan cut-off 50 Hz menggunakan standar linear-fase
desain filter FIR setidaknya persegi. EEG yang tersegmentasi menjadi zaman tidak
tumpang tindih dari topi 1 dievaluasi untuk kemungkinan penolakan menggunakan
amplitudo otomatis, listrik, dan thresholding statistik. Segmen yang tersisa menjadi
sasaran analisis individu independen komponen (ICA) menggunakan algoritma
Infomax dengan 15 komponen untuk mengidentifikasi dan menghapus kontribusi
sisa dari gerakan mata. Empat template spasial untuk jenis artefak yang dihasilkan
dengan menggunakan 24 dataset secara acak, di mana peta artefak yang sesuai
yang secara visual diidentifikasi dan rata-rata seluruh mata pelajaran untuk
membentuk template. Gambar1 Menampilkan template gerakan mata. The
topografi ICA dari setiap dataset EEG berkorelasi terhadap artefak template dan
dihapus jika koefisien korelasi mutlak atas 0,8 ditemukan. Data kontinyu
direkonstruksi dari komponen non-artefak dan kemudian tersegmentasi ke zaman
2s dengan 1s tumpang tindih, yang setara dengan prosedur Welch (39) dengan
jendela persegi panjang dan 50% segmen tumpang tindih. Selanjutnya, data diubah
menjadi domain frekuensi menggunakan transformasi Fourier cepat (FFT). Karena
spektrum frekuensi yang dipilih untuk pra-pengolahan adalah 0,5-50 Hz, kami
memperoleh 100 titik data frekuensi untuk 22 saluran dan sejumlah variabel zaman
untuk setiap dataset dikenakan untuk analisis. Deviasi standar spasial (sSTD) indeks
masing-masing zaman dihitung di seluruh 22 saluran dalam domain frekuensi
sesuai dengan (40) dan z-mencetak. Zaman di mana indeks sSTD melebihi | z |> 1
dikeluarkan dari analisis lebih lanjut, seperti digambarkan pada Gambar 2. Dengan
pengecualian dari zaman tersebut, kita berakhir dengan sejumlah segmen tersedia
data untuk sampel awal. Dalam rangka untuk menyatukan jumlah data seluruh
mata pelajaran untuk sampel akhir, kami menentukan jumlah minimum umum dari
zaman yang ada di seluruh mata pelajaran yang dimaksimalkan inklusi. Hal ini
mengakibatkan pemilihan 334 zaman data dari masing-masing dataset
(approx.5m30s). Subyek dengan kurang dari 334 zaman dikeluarkan dari sampel
awal. The zaman yang tersedia dari sampel akhir mengikuti distribusi normal di tiga
kelompok dengan rata-rata 386_24 untuk kelompok NC, 391_28 zaman untuk AD,
dan 387_20 untuk VAD. Tidak ada perbedaan signifikan yang ditemukan dalam

jumlah segmen tersedia data taruhan kita en tiga kelompok (F D1.03, p D0.43).
Zaman yang berisi amplitudo tinggi di kisaran alpha band (8-12Hz), diberi prioritas
untuk dimasukkan dan zaman yang tersisa dibuang. Dengan cara ini, kita
diharapkan untuk memaksimalkan ekspresi frekuensi alpha dalam analisis. Setelah
pencocokan usia-jenis kelamin kelompok, sampel akhir yang digunakan dalam
analisis itu terdiri dari 334 zaman data untuk setiap mata pelajaran dan mata
pelajaran 77 dalam setiap kelompok.

ANALISIS STATISTIK
Karena kovarians ringan antara beberapa parameter spektral (lihat Hasil), kami menggunakan
analisis multivariat kovarians (MANCOVA) Model seperti yang diterapkan di MANCOVAN
alat-box (42) untuk memahami perbedaan kelompok sementara mengendalikan faktor
pengganggu lainnya. Sebelum modeling, kami menggunakan Box-Cox kekuatan mengubah
untuk meningkatkan normalitas parameter S dan A, yang sangat miring. Nilai Lambda
(parameter Box-Cox) ditentukan dengan memaksimalkan log-kemungkinan normalitas dan 0,07
dan 0,27, masing-masing. Kami pertama kali diterapkan MANCOVA untuk parameter spektral
rata-rata atas semua saluran, dan digunakan prosedur regresi bertahap dengan kembali bangsal
eliminasi untuk menghapus prediktor yang tidak memperhitungkan varians signifikan. Secara
khusus, model awal kami termasuk prediktor berikut: kelompok (variabel coding indikator untuk
NC, AD, dan VAD), usia, jenis kelamin, jumlah komponen ICA dihapus selama pra-pengolahan,
pengambilan sampel-tingkat asli, dan jumlah zaman bersih awalnya tersedia; variabel dependen
kami adalah [3426] matriks, yang berisi enam parameter spektral (S, k, A, c, w, dan b) rata-rata
selama saluran untuk 342 subyek. Setelah pengurangan bertahap dengan nilai alpha 0,01, model
akhir ditahan kelompok (T = 76,23, p = 7.1x10-10), usia (T = 34,79, p = 1.7x10-5), jenis kelamin
(T = 23,89, p = 1.0x10-3), dan jumlah zaman (T = 38,7, p = 3.8x10-6) sebagai prediktor sangat
signifikan. Kami kemudian digunakan prediktor ini dalam MANCOVA kedua untuk model
parameter spektral pada setiap saluran, yaitu, variabel dependen adalah [342132] matriks, yang
mewakili 6 parameter di 22 saluran, untuk semua mata pelajaran. Kami mengkonfirmasi bahwa
empat prediktor (kelompok, usia, jenis kelamin, dan jumlah zaman) masih menyumbang varians
signifikan dalam model ini lebih besar (p <0,005 untuk semua hal). Signifikansi dari "kelompok"
faktor di tingkat saluran ditentukan dari F-statistik dan sesuai p-nilai seperti yang ditunjukkan di
Bagian "Hasil." P-Nilai dikoreksi untuk beberapa perbandingan menggunakan Tingkat
Penemuan Salah (FDR, q = 0,05 ). Untuk saluran / parameter penting pertemuan, kontras
berpasangan dilakukan antara kelompok (yaitu, NCvs. AD, NCvs. VAD, dan ADvs. VAD).
Kontras berpasangan dilambangkan sebagai signifikan pada (dikoreksi) tingkat p <0,05, sangat
signifikan pada p <0,01, dan sangat signifikan pada p <0,001, disorot dalam Angka S1-S6 di
Bahan Tambahan dengan "*," "**, "dan" ***, "masing-masing. Untuk singkatnya, dalam
presentasi hasil kami, kami menentukan ukuran efek untuk perbedaan kelompok ditemukan pada
tingkat signifikan p <0,05 menggunakan Cohen d (48) dan ditampilkan pada peta topografi
seperti yang ditunjukkan pada Gambar 6.

HASIL
GROUP SPECTRA
Gambar 3 menampilkan spektrum rata di semua saluran untuk NC, AD, dan
kelompok VAD. Perbedaan kelompok yang jelas diamati pada pita delta, theta, dan
alpha-frekuensi. Perbedaan ini diukur dengan membandingkan enam parameter (S,
k, A, c, w, dan b) digunakan dalam model, seperti yang dijelaskan di bagian "Metode
pasir Bahan."

DISKUSI
Penelitian ini dieksplorasi perbedaan elektrofisiologi yang dapat digunakan sebagai penanda
untuk secara otomatis membedakan antara kelompok. Dalam rangka untuk menilai perbedaan,
kami menerapkan analisis kuantitatif di EEG klinis NC, AD, dan VAD dan diterapkan model
yang diekstrak enam parameter EEG untuk menggambarkan spektrum rata-rata dari masingmasing saluran. Hasil awal (Gambar 3) menunjukkan perbedaan yang nyata antara tiga
kelompok. Pendekatan kami menggunakan model standar dengan implementasi yang relatif
sederhana dan biaya komputasi rendah. Fitur EEG diekstraksi dengan model kita terkait dengan
penanda EEG relevan kunci untuk penilaian klinis. Kami menguji model kami di AD dan VAD
diferensiasi kelompok menggunakan fitur diekstrak. Perbedaan signifikan yang ditemukan
selama beberapa parameter dengan kekhususan topografis antara AD dan VAD dalam kaitannya
dengan subyek sehat. Hasil kami menginspirasi penggunaan model seperti pendekatan standar
untuk ekstraksi fitur EEG dan penggunaan masa depan kemungkinan fitur seperti biomarker
dalam diferensiasi kelompok.
SPEKTRUM MODEL
Kurva-pas pendekatan memungkinkan kita untuk menggambarkan spektrum
frekuensi hanya menggunakan enam parameter, yang terkait dengan penanda
elektrofisiologi diketahui. Secara umum, kami menemukan bahwa model ini cocok
untuk data sebagian besar waktu dan yang melakukan sama baiknya terlepas dari
jenis peserta (lihat "Evaluasi model" dalam "Hasil" bagian). Kami mengamati bahwa
cocok miskin terjadi di dua situasi: (1) mata pelajaran / saluran mana kurva
spektrum yang terkandung puncak theta jelas dan dibedakan yang berbeda dari
alpha; (2) mata pelajaran / saluran mana yang rendah amplitudo frekuensi beta
diucapkan (seperti yang terlihat pada Gambar 5). Selain itu, korelasi antara enam
parameter diverifikasi bahwa parameter k dan b sangat berkorelasi (r D0.75).
Korelasi ini menunjukkan kelemahan dalam model, karena tampaknya bahwa
parameter k dan b dapat bekerja melawan satu sama lain.

PERBEDAAN GROUP Pasien vs kontrol

Hasil kami menunjukkan peningkatan yang signifikan dari S dan penurunan b
membandingkan kelompok AD dengan NC, sejalan dengan literatur sebelumnya
(49). Parameter c adalah 9,4 Hz di NC dibandingkan dengan 8,5 Hz di AD. Alpha
serupa melambat 10,2-8,1 Hz telah dilaporkan sebelumnya (50). Penelitian kami
juga menunjukkan bahwa pasien AD memiliki A lebih rendah dari NC. Perlambatan
dari frekuensi alpha dan penurunan daya alpha telah dilaporkan dalam beberapa
studi, ketika membandingkan AD dan juga pasien MCI dengan kontrol sehat (36, 5055). Hal ini diduga terkait dengan penurunan kognitif umum (13/10). Pasien AD
memiliki lebih tinggi daripada w NC, dalam perjanjian dengan temuan dari (47). VAD
juga memiliki peningkatan S, lebih rendah b, dan peningkatan A dibandingkan
dengan NC. Penurunan c adalah 9,4-8,1 Hz bila dibandingkan dengan NC. (50)
melaporkan nilai-nilai yang sesuai sebagai 10,2-8,3 Hz. Berbeda dengan kelompok
AD, VAD memiliki yang lebih tinggi di daerah oksipital dari NC, sesuai dengan
penelitian sebelumnya (45, 56, 57). Hal ini juga ditetapkan bahwa sumber irama
alfa jelas dominan di daerah korteks oksipital (58). Studi lain menunjukkan bahwa
untuk AD dan pasien VAD, peningkatan kekuatan alpha berkorelasi positif dengan
metabolisme glukosa dalam lobus oksipital sedangkan peningkatan pada frekuensi
yang lebih rendah dari EEG berkorelasi negatif dengan metabolisme (59). VAD vs AD
Hasil kami menunjukkan perbedaan yang signifikan untuk parameter S antara VAD
dan AD, khususnya, peningkatan S untuk kelompok VAD untuk oksipital, temporal,
parietal dan saluran dibandingkan dengan kelompok AD, lihat Gambar 3 dan 6.
Dalam Selain itu, VAD memiliki signifikan lebih tinggi A bila dibandingkan dengan
AD di oksipital, temporal, elektroda lateral, dan frontal. Menariknya, kita amati
penurunan lebih parah c untuk pasien VAD. Hanya sedikit penelitian telah dilakukan
perbandingan spektral antara kedua kelompok ini. Namun demikian, melambatnya
irama alfa dan peningkatan kekuasaan di delta dan tab dan lebih diucapkan dalam
VAD dari pada pasien AD, seperti yang dilaporkan dalam literatur (50, 60). Kenaikan
umum S bersama dengan penurunan b dan selanjutnya memperlambat c telah
dilaporkan dalam penelitian lain dan menyarankan penggunaan penanda tersebut
untuk mengakses fungsi kognitif (13/10) di MCI dan studi AD. Parameter w
membedakan pasien dengan AD baik dari VAD dan dari NC di beberapa saluran.
Parameter ini mirip dengan frekuensi variabilitas yang dominan (47), yang
ditemukan untuk membedakan antara AD, Lewy tubuh, dan penyakit Parkinson. Hal
ini diketahui bahwa perbedaan frekuensi oksipital bertahan baik dalam AD dan
pasien VAD (45). Selanjutnya, pada tahap awal penyakit, neuropsikologi dan tes
perilaku memberikan perbedaan halus terkemuka ketinggalan diagnosa AD di VAD

pasien sebaliknya layanan (6, 7). Oleh karena itu, kami percaya khususnya
parameter w ini menjadi biomarker yang menarik untuk diferensiasi kelompok.
PEMBATASAN
Seperti yang kita bahas sebelumnya, dataset EEG bahwa kita termasuk dalam
penelitian kami dikumpulkan selama rutin klinis yang normal dari rumah sakit dan
kebohongan tidak dia terbaru kerja klinis yang ada ICD 10 diagnosis ditentukan oleh
ahli saraf, (geronto-) psikiater, dan psikolog 'staf. Meskipun kriteria ketat yang
digunakan untuk memilih pasien ini, masih ada ketidakpastian tentang
mendiagnosis VAD atau AD, yang hanya dapat dikonfirmasi dengan tes post
mortem. Laporan lebih rinci kinerja pasien pada berbagai tes akan memerlukan
akses penuh ke data pasien, yang tidak layak di sini. Juga, kami belum berkorelasi
temuan EEG dengan skor klinis seperti MMSE, sehingga kita tidak bisa berspekulasi
tentang hubungan antara keparahan gejala demensia dan kelainan EEG. Oleh
karena itu, perbedaan kelompok yang dijelaskan dalam penelitian ini adalah bias
terhadap ketidakpastian diagnosis dari sampel kami dan tidak per se sepenuhnya
umum.
KESIMPULAN
Sejak penelitian ini termasuk sampel besar tanpa pengobatan, usia, dan jenis
kelamin cocok AD, VAD, dan NC dengan EEG klinis, itu adalah mungkin untuk
membandingkan perbedaan spektral antara kelompok-kelompok ini secara
bersamaan. Model yang digunakan dalam penelitian ini diambil fitur EEG terkait
seperti amplitudo frekuensi rendah dan tinggi, pembusukan amplitudo dari rendah
ke frekuensi tinggi, frekuensi alpha, kekuatan alpha, dan dispersi frekuensi alpha.
Penerapan model ini cocok untuk menganalisis EEG, dan memiliki waktu yang relatif
rendah dan biaya pengolahan dengan mengurangi kompleksitas kurva spektrum
yang luas. Temuan kami menunjukkan perbedaan yang signifikan dalam beberapa
fitur diekstraksi oleh model, daya alpha yaitu lebih rendah pada lateral yang
oksipital daerah untuk pasien AD bila dibandingkan dengan NC berbeda dengan
pasien VAD yang memiliki kekuatan yang lebih tinggi dibandingkan dengan NC
untuk daerah yang sama. Kedua AD dan pasien VAD memiliki kekuatan delta lebih
tinggi dari NC dan, untuk saluran posterior. Pasien VAD memiliki kekuatan delta
bahkan lebih tinggi dari pasien AD. Dispersi dari alpha, w, adalah fitur baru
diekstrak model kurva fit dan didirikan perbedaan kuantitatif antara AD dan VAD.
Berdasarkan penelitian ini, kami percaya bahwa model yang diusulkan berguna
untuk ekstraksi dan kuantifikasi perbedaan antara kelompok-kelompok ini pasien,

dan mungkin memiliki potensi untuk digunakan sebagai alat umum dalam analisis
EEG kuantitatif....