Fortschritte in der nicht-invasiven biomedizinischen Signalverarbeitung mit ML

Mit dem Fortschritt der medizinischen Wissenschaft wurden neue Gesundheitsmethoden eingeführt. Biomedizinische Signale haben uns einen tiefen Einblick in die Funktionsweise des menschlichen Körpers gegeben. Invasive biomedizinische Signalgebung und Sensorik beinhalten das Einführen von Sensoren in den menschlichen Körper. Nicht-invasive biomedizinische Signale wie Elektroenzephalogramm (EEG), Elektromyogramm (EMG), Elektrokardiogramm (EKG), Elektrookulogramm (EOG), Phonokardiogramm (PCG) und Photoplethysmographie (PPG) können durch Platzieren von Sensoren auf der Oberfläche des menschlichen Körpers erfasst werden. Nach der Erfassung dieser biomedizinischen Signale ist eine weitere Verarbeitung wie Artefaktentfernung und Merkmalsextraktion erforderlich, um wichtige Informationen über die Gesundheit und das Wohlbefinden des Probanden zu extrahieren. Neben herkömmlichen Signalverarbeitungs- und Analysetools wurden fortgeschrittene Methoden eingeführt, die Maschinen- und Deep-Learning-Techniken beinhalten, um nützliche Informationen aus diesen Signalen zu extrahieren. Es gibt mehrere Anwendungen der nicht-invasiven biomedizinischen Signalverarbeitung, einschließlich Überwachung, Erkennung und Schätzung physiologischer und pathologischer Zustände zur Diagnose und Therapie. Zum Beispiel die Erkennung und Überwachung verschiedener Arten von Krebs, Herzkrankheiten, Blutgefäßblockaden, neurologischen Störungen usw. Darüber hinaus werden biomedizinische Signale auch in Gehirnsteuerungsschnittstellen (BCI), Neurofeedback- und Biofeedback-Systemen verwendet, um die geistige und körperliche Gesundheit der Probanden zu verbessern.

Die Hauptzwecke der biomedizinischen Signale sind die Erkennung oder Diagnose von Krankheiten oder physiologischen Zuständen. Diese Signale werden auch in der biomedizinischen Forschung eingesetzt, um biologische Systeme zu modellieren und zu studieren. Das Ziel der Signalerfassung, Vorverarbeitung und Merkmalsextraktion besteht darin, eine genaue Realisierung des Modells oder die Erkennung entscheidender Elemente oder Fehlfunktionen menschlicher Körpersysteme mithilfe von Maschinenlernen oder Deep Learning zu erreichen. Darüber hinaus ermöglicht es die Vorhersage zukünftiger klinischer oder physiologischer Ereignisse mithilfe von Maschinenlernen und Deep Learning. Das erhaltene biologische Signal ist häufig eine komplexe Kombination aus Rauschen, Artefakten und Signal. Instrumente, die Sensoren, Verstärker, Filter und Analog-Digital-Wandler verwenden, können Artefakte erzeugen. Muskelaktivitäten können Störungen einführen und die Stromleitung und elektromagnetische Emissionen gelten als die primären Rauschquellen. Eine gute Auswahl von Signalverarbeitungs- und Verarbeitungstechniken kann als Folge der beabsichtigten Designspezifikationen getroffen werden. Dieses Kapitel zielt darauf ab, Wissenschaftler und Biomedizintechniker mit potenziellen Methoden zur Merkmalsextraktion vertraut zu machen und die Grundlagen der Signalerfassung und -verarbeitungskette zu verstehen.

Depressive Symptome können Gefühle der Melancholie, Interessenlosigkeit und Schwierigkeiten beim Erinnern und Konzentrieren umfassen. Die bestehenden Techniken zur Erkennung von Depressionen erfordern viel Interaktion mit Menschen, und die Ergebnisse sind stark abhängig vom Wissen und der Fähigkeit des Arztes, der sie durchführt. Die Elektroenzephalographie (EEG) ist ein potenzielles Werkzeug, das interessante Informationen liefert, die bei der Diagnose und Bewertung von Gehirnanomalien des Menschen mit ausgezeichneter Zeitauflösung verwendet werden können; jedoch stellt die Erkennung von Depressionen eine Herausforderung für Ingenieure und Wissenschaftler dar, um die personalisierte Gesundheitsversorgung zu unterstützen. Allerdings könnte das EEG einen Hinweis auf kognitiven Rückgang in Richtung Depressionsklassifikation liefern. Um einen neurophysiologischen Diagnoseindex für therapeutische Anwendungen zu erstellen, der empfindlich auf die Schwere der Depression reagiert, könnte es möglich sein, das EEG mit anderen biologischen, kognitiven Markern und Bildgebungsverfahren zu kombinieren. Das Ziel der aktuellen Studie ist es, die Grundaktivität des EEG bei depressiven Personen zu betonen, beginnend mit der Sammlung von EEG-Signalen und fortgesetzt durch EEG-Daten-Vorverarbeitungsschritte für die Signalverstärkung, lineare und nicht-lineare Eigenschaften. Der anschließende Fokus wird auf der Extraktion von EEG-Signalen liegen, um die großen Schwankungen der EEG-Signale zu berücksichtigen, gefolgt von Klassifizierungsansätzen zur Unterscheidung der Schwere der Depression. Daher hat die vorliegende Übersicht die Rolle der EEG-Signalverarbeitung und -analyse bei der Unterstützung von Ärzten und Klinikern bei der Bestimmung geeigneter Planungen und optimaler, effektiverer Behandlungsprogramme untersucht.

Die Gehirn-Computer-Schnittstelle (BCI) ist eine Technologie, die Menschen mit Behinderungen hilft, Hilfsgeräte zu bedienen, indem sie neuromuskuläre Kanäle umgeht. Diese Studie zielt darauf ab, die Elektroenzephalographie (EEG) Signale zu verarbeiten und diese Signale dann durch Analyse und Kategorisierung mit Maschinenlernalgorithmen in Befehle zu übersetzen. Die Ergebnisse können weiterhin zur Steuerung eines Hilfsgeräts verwendet werden. Die Bedeutung dieses Projekts liegt in der Unterstützung von Menschen mit schweren motorischen Beeinträchtigungen, Lähmungen oder denen, die ihre Gliedmaßen verloren haben, um unabhängig und selbstbewusst zu sein, indem sie ihre Umgebung kontrollieren und ihnen alternative Kommunikationswege bieten. Die erworbenen EEG-Signale werden digital mit einem Tiefpass gefiltert und dezimiert. Anschließend wird die Wavelet-Zerlegung zur Signalanalyse verwendet. Die Merkmale werden aus den erhaltenen Unterbändern abgebaut. Die Dimension des extrahierten Merkmalsatzes wird durch Verwendung des Butterfly-Optimierungsalgorithmus reduziert. Der ausgewählte Merkmalsatz wird dann von den Klassifikatoren verarbeitet. Die Leistung des k-Nearest Neighbor, der Support Vector Machine und des Artificial Neural Network wird für die Kategorisierung von motorischen Imagery-Aufgaben durch Verarbeitung des ausgewählten Merkmalsatzes verglichen. Die vorgeschlagene Methode sichert eine höchste Genauigkeitsbewertung von 83,7 % für den Fall des k-Nearest Neighbor-Klassifikators.

Die Elektrokardiographie ist nach wie vor die am weitesten verbreitete Methode der Funktionsdiagnose. Das Kapitel richtet sich an die Debatte über die Entwicklung und die aktuelle Einstellung zur Herzinsuffizienz-Screening-Elektrokardiographie und überprüft die klinischen Praktiken der Anwendung von Fern-Elektrokardiogramm (EKG)-Aufzeichnungsgeräten, die Menge und Herkunft der Daten, die mit EKG-Geräten mit verschiedenen Anzahl von Sensoren unter Verwendung verschiedener moderner Methoden der mathematischen Transformation des EKG-Signals, d. h. der vierten Generation der EKG-Analyse, gesammelt werden können. Der Schwerpunkt liegt auf der Anwendung der modernen Methode des maschinellen Lernens – Anomalieerkennung zur Herzaktivitätsanalyse. Die Anomalieerkennung ist eine der Methoden des maschinellen Lernens, die jene Datensätze identifiziert, die von einem Konzept der Normalität abweichen. Solche Proben stellen Neuheiten oder Ausreißer in der Datensatz dar und enthalten oft wichtige Informationen. Als Beispiel für die Anwendung der Anomalieerkennung in der biomedizinischen Signalanalyse wird das Problem der Identifizierung der subtilen Abweichungen von der Bevölkerungsnorm auf der Basis des EKG vorgestellt. Die Zeit-Magnitude-Merkmale, die aus sechs Leitungen des Signal Average EKG abgeleitet sind, werden im Isolation Forest Anomaly (IFA) Detektor verwendet, um die Entfernung des einzelnen EKG von der Gruppe der normalen Kontrollen zu quantifizieren. Die Eingangsdaten zur IFA-Technik bestehen aus verschiedenen Baumhöhen sowie mehreren Verschmutzungsfaktoren. Zum Vergleich wurden fünf verschiedene Gruppen untersucht: Patienten mit nachgewiesenen koronaren Herzkrankheiten, Militärpersonal mit Minenexplosionsverletzungen, COVID-19-Überlebende und zwei Untergruppen, die Teilnehmer eines weit verbreiteten Screenings in einem der ländlichen Gebiete der Ukraine betreffen.

Amputierte auf der ganzen Welt haben begrenzten Zugang zu hochwertigen intelligenten Prothesen. Die korrekte Erkennung von Gesten ist eine der schwierigsten Aufgaben im Kontext der Entwicklung von auf Oberflächen-Elektromyographie (sEMG) basierenden Prothesen. Dieses Kapitel zeigt eine vergleichende Untersuchung mehrerer auf maschinellem Lernen basierender Algorithmen zur Identifizierung von Handgesten. Der erste Schritt im Prozess ist die Datenerfassung aus dem sEMG-Gerät, gefolgt von der Merkmalsextraktion. Anschließend werden zwei robuste maschinelle Lernalgorithmen auf den extrahierten Merkmalsatz angewendet, um ihre Vorhersagegenauigkeit zu vergleichen. Die mittlere Gaußsche Support Vector Machine (SVM) funktioniert unter allen Bedingungen besser als der K-nearest neighbor. Verschiedene Parameter werden für den Leistungsvergleich verwendet, darunter F1-Score, Genauigkeit, Präzision und Kappa-Index. Die vorgeschlagene Methode zur Erkennung von Handgesten, basierend auf sEMG, wird gründlich untersucht und die Ergebnisse haben eine vielversprechende Leistung gezeigt. In jedem Fall kann ein Fehlverhalten bei der Merkmalsextraktion die Erkennungsgenauigkeit verringern. Die tiefgreifenden Lernmethoden werden verwendet, um eine hohe Präzision zu erreichen. Daher berücksichtigt das vorgeschlagene Design alle Aspekte bei der Verarbeitung des sEMG-Signals. Das System sichert eine höchste Klassifizierungsgenauigkeit von 92,2 % für den Fall des Gaußschen SVM-Algorithmus.

Elektroenzephalographie-Signale (EEG-Signale) werden weit verbreitet für die Prognose und Diagnose mehrerer Störungen verwendet, wie zum Beispiel Epilepsie, Schizophrenie, Parkinson-Krankheit usw. Es wurde in der Literatur gezeigt, dass EEG-Signale mit maschinellen Lernverfahren funktionieren. Sie erfordern jedoch eine manuelle Extraktion von Merkmalen im Voraus, die von Datensatz zu Datensatz oder je nach Krankheitsanwendung variieren können. Tiefes Lernen hat andererseits die Fähigkeit, die rohen Signale zu verarbeiten und Daten zu klassifizieren, ohne dass Fachwissen oder manuell extrahierte Merkmale erforderlich sind, es fehlt jedoch ein gutes Verständnis und Interpretierbarkeit. In diesem Kapitel werden verschiedene Techniken des maschinellen Lernens diskutiert, einschließlich Methoden zur Extraktion und Auswahl von Merkmalen aus gefilterten Signalen und zur Klassifizierung dieser ausgewählten Merkmale für klinische Anwendungen. Wir haben auch zwei Fallstudien besprochen, d.h. die Erkennung von Epilepsie und Schizophrenie. Diese Fallstudien verwenden eine Architektur, die tiefes Lernen mit traditionellen ML-Techniken kombiniert und deren Ergebnisse vergleicht. Mit diesem hybriden Modell wird eine Genauigkeit von 94,9 % auf der Grundlage von EEG-Signalen von epileptischen und normalen Probanden erreicht, während eine Genauigkeit von 98 % bei der Erkennung von Schizophrenie mit nur drei EEG-Kanälen erreicht wird. Das letztere Ergebnis ist bedeutend, da es mit anderen modernen Techniken vergleichbar ist, während weniger Daten und Rechenleistung benötigt werden.

Die Elektrookulographie ist eine Technik, die Augenbewegungen erkennt und analysiert, basierend auf elektrischen Potenzialen, die mit um die Augen platzierten Elektroden aufgezeichnet werden. Das aufgezeichnete elektrische Signal wird als Elektrookulogramm (EOG) bezeichnet und kann als alternative Eingabe für medizinische Systeme und Mensch-Computer-Schnittstellensysteme verwendet werden. Um ein auf Augenbewegungen basierendes System zu implementieren, werden mindestens vier Hauptstufen benötigt: Signalentstörung, Merkmalsextraktion, Signal-Klassifizierung und Entscheidungsfindung. Die erste Stufe nach der EOG-Signalerfassung ist die Signalentstörung, die Rauschen unterdrückt, das nicht durch die analogen Filter entfernt werden konnte. Bei dieser Aufgabe müssen die Steigung der Signalränder sowie die Amplituden des Signals zur Unterscheidung zwischen verschiedenen Augenbewegungen erhalten bleiben. Nach der Entstörung ist die zweite Aufgabe die Extraktion der Merkmale des EOG-Signals, hauptsächlich basierend auf der Erkennung von Sakkaden, Fixationen und Blinzeln. Die nächste Stufe ist die automatische Identifizierung von Augenbewegungen. Diese Aufgabe, die Signal-Klassifizierung genannt wird, ist für die Erzeugung genauer Befehle, insbesondere in Echtzeitanwendungen, unerlässlich. Diese Klassifizierung wird hauptsächlich mit einer Kombination von Algorithmen in der künstlichen Intelligenz (KI) durchgeführt. Diese Arten von Algorithmen sind am besten geeignet für adaptive Systeme, die eine Echtzeit-Entscheidungsfindung, unterstützt durch KI-Techniken, erfordern. In einigen Anwendungen werden auch EOG-Modellierung und -Kompression als zusätzliche Signalverarbeitungsstufe angewendet.

Herzerkrankungen sind eine der Hauptursachen für den Verlust von Menschenleben weltweit. Das Phonokardiogramm (PCG) liefert Informationen für die genaue und rechtzeitige Erkennung von Herz-Kreislauf-Erkrankungen (CVDs). Digitale Stethoskope zeichnen den Herzschall auf und speichern ihn als PCG-Signal zur Identifizierung von abnormalen Geräuschen. In diesem Kapitel werden Algorithmen zur Segmentierung und Klassifizierung von Herzgeräuschen diskutiert, um die abnormalen Symptome des Herzens zu diagnostizieren. Zunächst wird das Herzsignal in die Zustände „S1“, „Systole“, „S2“ und „Diastole“ unterteilt, indem mehrstufige Schwellenwerte für die Spitzenentdeckung verwendet werden. Phonokardiogramme sind nicht-stationäre Signale, bei denen die Identifizierung der genauen Lage der Spitzen schwierig ist. Durch die Verwendung der mehrstufigen Schwellenmethode zur Spitzenentdeckung und mit der Erzeugung des Spitzen-Spektrogramms wird die Identifizierung der Spitzenpositionen auf 91,2 % verbessert. Anschließend werden Merkmale der erzeugten Spitzen-Spektrogramme aus diesen vier Zuständen extrahiert, um die Benennung von PCG als „normal“ oder „abnormal“ mit einer traditionellen „Support Vector Machine“ (SVM) und „Convolutional Neural Network“ durchzuführen. Die entwickelten Algorithmen werden am PhysioNet2016 Herzschall-Herausforderungsdatensatz getestet. Die Ergebnisse zeigen die Eignung der entwickelten Methoden für die Identifizierung von „normalen“ und „abnormalen“ PCG zur Identifizierung von CVDs und erzielten eine Genauigkeit von 93,3 %.

Atopisches Ekzem ist eine Hauterkrankung, die trockene, juckende und entzündete Haut verursacht. Die Behandlung von Ekzemen erfordert die Erkennung des infizierten Bereichs und die Einstufung der Ekzem-Symptome. Dermatologen beurteilen Ekzeme visuell und verwenden spezielle Formulare, um ihre Ergebnisse zu dokumentieren. Dieser Prozess ist mühsam und nimmt viel Zeit in Anspruch. Darüber hinaus führt er zu Inter- und Intra-Beobachter-Variabilität in den Ergebnissen. Daher wird in dieser Arbeit eine vollautomatische Methode zur Segmentierung von Ekzem-Hautläsionen entwickelt. Ein fünfstufiges U-Net wird trainiert, um die Segmentierung auf dem Ekzem-Datensatz durchzuführen, der aus 84 Bildern mit unterschiedlichen Schweregraden besteht. Vier verschiedene Farbräume, d. h. der RGB-Farbraum, HSV-Farbraum, YCbCr-Farbraum und CIELAB-Farbraum, werden für die Segmentierungsanalyse verwendet. Darüber hinaus werden die Auswirkungen der Farbraumnormalisierungstechnik und der adaptiven Lichtkompensation (ALC) zur Beleuchtungskompensation ebenfalls untersucht. Zur Leistungsbewertung werden fünf Metriken verwendet, nämlich Genauigkeit, Sensitivität, Spezifität, positiver prädiktiver Wert (PPV) und negativer prädiktiver Wert (NPV). Die höchste durchschnittliche Segmentierungsgenauigkeit von 87,44 % wird erreicht, indem 16 Kanäle in der ersten Stufe der Faltungsschicht mit einer Bildgröße von 512 × 512 nach 500 Trainingszyklen verwendet werden, ALC als Vorverarbeitung, G-Farbkanal aus dem RGB-Raum und mathematische, Morphologie-basierte Nachverarbeitungsmethoden.

Schlafbezogene Atmungsstörungen wie Schlafapnoe und Hypopnoe sind potenziell ernste Störungen und können die Ursache für eine Vielzahl von körperlichen und geistigen Gesundheitsproblemen sein und zudem die Lebensqualität reduzieren. Daher sind Schlafstudien unerlässlich zur Identifizierung und Behandlung dieser Schlafstörungen. Diese Studie zielt darauf ab, Erregungsregionen, die durch nicht-apnoeischen und nicht-hypopnoeischen Schlaf in Polysomnographie-Signalen verursacht werden, mithilfe von Ensemble-Techniken zu erkennen. Der in dieser Studie verwendete Datensatz bezieht sich auf Polysomnographie-Messkanäle von 100 Patienten, die in der Physionet Challenge-Datenbank von 2018 bereitgestellt wurden. Die Daten wurden in kleine Epochen mit 50 % Überlappung aufgeteilt. Aus jeder Epoche wurden mehrere unterschiedliche Merkmale im Zeit- und Frequenzbereich extrahiert. Der Wilcoxon-Rangsummentest und der genetische Algorithmus-Optimierungsalgorithmus wurden verwendet, um einen Satz von Merkmalen mit den meisten diskriminierenden Informationen zu finden. Eine Technik zur Datenvermehrung wurde verwendet, um das Problem der unausgeglichenen Daten anzugehen. Für die endgültige Klassifikation wurden lineare Diskriminanzanalyse, logistische Regression, bagged tree aus der Bagging-Technik und LightGBM aus der Boosting-Methode angewendet. Basierend auf den Physionet Challenge-Indizes, der Fläche unter der Receiver-Operating-Characteristic-Kurve (AUROC) und der Fläche unter der Precision-Recall-Kurve (AUPRC), verglichen wir die Leistung der Klassifikatoren auf diesem Datensatz. Die höchste Leistung bei 20 Testpersonen betrug 0,497 für AUPRC und 0,878 für AUROC.

Nach 60 Jahren Entwicklung von Biofeedback für Gehirnwellen, grundlegender und angewandter Forschung, Therapie und dem Bau verschiedener Geräte gibt es eine gut definierte Reihe von Anwendungen sowohl in Gesundheit als auch in Krankheit. Während dieser Jahre haben technologische Fortschritte große Beiträge zur Entwicklung von therapeutischen Biofeedback- und Trainingsverfahren geleistet. Variabilität als natürliche Eigenschaft biologischer Systeme und eine Nebenwirkung der Einschränkungen in aktuellen Biofeedback-Geräten, zusammen mit Unterschieden in Behandlungen und Trainingsmodellen, haben die regelmäßige Praxis in eine Landschaft gebracht, in der die Vorhersage von Ergebnissen schwierig, nicht immer zuverlässig oder reproduzierbar ist und es an Grundlagen für die Verallgemeinerung fehlt. Dieses Kapitel diskutiert die Entwicklung von Deep Learning (DL)-Lösungen, die darauf abzielen, den Biofeedback-Prozess zu steuern. Ziel ist es, aktuelle Geräte und Neurofeedback-Verfahren durch ein robustes Set von DL-Optionen zu ersetzen, die darauf ausgelegt sind, die Variabilität zu reduzieren und den Biofeedback-Prozess gemäß den natürlichen Beziehungen und Prinzipien der Gehirnwellen zu liefern, und schlägt DL-Modelle vor, die darauf abzielen, das aktuelle Vakuum an Präzision in aktuellen Neurofeedback (NFB)-Geräten und -Praktiken zu füllen.

Das Erkennen von Emotionen auf der Grundlage von Gehirnaktivität ist für das Verständnis vielfältigen menschlichen Verhaltens im Alltag von entscheidender Bedeutung geworden. Es hat sich gezeigt, dass das Elektroenzephalogramm (EEG) hilft, Informationen über die Verteilung von Wellenformen über die Kopfhaut zu sammeln. Dieses Projekt verfolgt zwei Ziele. Erstens sollen die Synchronisation und die Konnektivitätsindizes für die Emotionserkennung untersucht werden. Zweitens soll ein Rahmenwerk entwickelt werden, um die Beziehung zwischen emotionalem Zustand und Gehirnaktivität auf der Grundlage von Synchronisation und funktioneller Konnektivität zu untersuchen. Die EEGs von 23 gesunden Freiwilligen wurden aufgezeichnet, während sie 18 Filmclips ansahen. Um die Synchronisation zwischen verschiedenen Gehirnregionen zu untersuchen, wurde eine hybride Technik, die die empirische Moduszerlegung mit der Wavelet-Transformation (EMD − WT) kombiniert, eingesetzt. Lineare Merkmale wie Kreuzkorrelation (xCorr), Kohärenz (Coh) und Phasenverzögerungsindex (PLI) sowie nicht-lineare Merkmale wie Kreuz-Fuzzy-Entropie (CFuzzEn) und gemeinsame Permutationsentropie (JPE) wurden berechnet, um verschiedene dynamische Eigenschaften aus auf Emotionen basierenden Mehrkanal-EEG-Signalen zu erfassen. Dann wurden, um die Klassifizierungsgenauigkeit verschiedener emotionaler Zustände zu erhöhen, Merkmale auf der Grundlage statistischer Analysen ausgewählt. Am Ende wurde der Klassifizierungsprozess mit dem k-nächsten-Nachbarn (kNN)-Klassifikator durchgeführt. Die Klassifizierungsergebnisse zeigten die Auswirkungen der Kombination von CFuzzEn- und JPE-Merkmalen als bemerkenswerten Synchronisationsindex für die Analyse von Emotionen, die aus einem EEG-basierten Datensatz abgeleitet wurden. Als Ergebnis ermöglichen EEG-Indizes ein tieferes Verständnis der unterschiedlichen Auswirkungen von Gehirntherapien auf Verhaltensergebnisse beim Menschen.

Die Erkennung von Demenz stellt eine Barriere für die Weiterentwicklung der individualisierten Gesundheitsversorgung dar. Die nicht-lineare Natur von Elektroenzephalographie (EEG)-Signalen wurde mit Entropien charakterisiert. In einem Gedächtnistest (WM) wurden in dieser Studie die EEGs von 5 Patienten mit vaskulärer Demenz (VD), 15 Patienten mit schlaganfallbedingter leichter kognitiver Beeinträchtigung (SMCI) und 15 gesunden normalen Kontrollteilnehmern (NC) bewertet. Ein vierstufiger Rahmen für die automatische Identifizierung von Demenz wird bereitgestellt, wobei die erste Stufe die neu entwickelte automatische unabhängige Komponentenanalyse und Wavelet (AICA-WT)-Methode verwendet. In der zweiten Stufe wurden nicht-lineare Entropie-Merkmale mit Fuzzy-Entropie (FuzzEn), Fluktuations-basierte Dispersion-Entropie (FDispEn) und Bubble-Entropie (BubbEn) genutzt, um verschiedene dynamische Eigenschaften aus Mehrkanal-EEG-Signalen von Patienten mit Demenz zu extrahieren. Eine statistische Untersuchung der individuellen Leistung wurde mithilfe der Varianzanalyse (ANOVA) durchgeführt, um den Grad der EEG-Komplexität über die Gehirnregionen hinweg zu bestimmen. Danach wurde der nicht-lineare lokale Tangentenraum-Alignment (LSTA)-Dimensionsreduktionsansatz verwendet, um die automatische Diagnose von Demenz-Patienten zu verbessern. Mit k-nächsten Nachbarn (kNN), Support Vector Machine (SVM) und Entscheidungsbaum (DT)-Klassifikatoren wurde schließlich die Beeinträchtigung von Patienten nach einem Schlaganfall identifiziert. BubbEn wird ausgewählt, um einen neuen BubbEn-LTSA-Mapping-Prozess zu entwickeln, um das innovative AICA-WT-BubbEn-LTSA-Demenzerkennungs-Framework zu erstellen, das die Grundlage für eine automatisierte VD-Erkennung bildet.