《Cognitive Neurodynamics》：Optimized cortical EEG modeling for Parkinson disease diagnosis with snow Shepherd Stride tuning mechanism
编辑推荐：
帕金森病（PD）早期诊断依赖高效EEG分析模型，但现有方法存在误检率高、泛化性差、噪声敏感及无法提取深层cortical表征等问题。本文提出CortiMoS-Net模型，融合深度堆叠自编码器与低计算量MobileNet卷积模块，结合Snow Shepherd Stride Configuration Tuning（S3C-Tune）优化算法，构建从原始EEG信号到 artifact去除、峰值检测的全流程诊断系统，实验显示准确率达0.99，优于多数混合深度学习模型。
摘要
帕金森病（PD）是一种神经退行性疾病，会对认知和运动功能造成严重影响，因此正确的早期诊断对于有效的临床管理和提高生活质量至关重要。利用脑电图（EEG）进行分析现已成为识别帕金森病神经异常的安全可行方法。然而，现有模型仍存在一些局限性：较高的误检测率、跨受试者的泛化能力较差、对EEG噪声敏感，以及无法提取能够区分健康状态与帕金森病状态的深层大脑皮层特征。为了解决这些问题，本文提出了一种名为CortiMoS-Net（基于堆叠自编码器和MobileNet的皮层建模）的新方法，该方法能够准确通过EEG信号检测帕金森病。CortiMoS-Net架构结合了深度堆叠自编码器和计算效率较低的MobileNet卷积模块，从而在保持低复杂度学习的同时具备计算可扩展性。为了进一步提升模型收敛性和优化可学习参数，本文还提出了一种名为Snow Shepherd Stride Configuration Tuning（S3C-Tune）的混合优化技术。该流程包括原始EEG信号记录、预处理和峰值提取，以去除伪迹并检测具有神经学意义的事件。通过S3C-Tune算法调整模型参数，以实现最高的训练准确性。这种混合流程不仅能够进行广泛的皮层建模，还能实现高效优化，最终实现帕金森病与健康受试者的准确分类。实验结果验证了该方法的有效性，其准确率、精确度、召回率和F1分数分别达到了0.99、0.01和0.05，同时错误率和损失率均处于最低水平。与众多先进的混合深度学习方法相比，所提出的模型在预测正确性方面也达到了最高水平（0.99），平均效率指标为0.95。
帕金森病（PD）是一种神经退行性疾病，会对认知和运动功能造成严重影响，因此正确的早期诊断对于有效的临床管理和提高生活质量至关重要。利用脑电图（EEG）进行分析现已成为识别帕金森病神经异常的安全可行方法。然而，现有模型仍存在一些局限性：较高的误检测率、跨受试者的泛化能力较差、对EEG噪声敏感，以及无法提取能够区分健康状态与帕金森病状态的深层大脑皮层特征。为了解决这些问题，本文提出了一种名为CortiMoS-Net（基于堆叠自编码器和MobileNet的皮层建模）的新方法，该方法能够准确通过EEG信号检测帕金森病。CortiMoS-Net架构结合了深度堆叠自编码器和计算效率较低的MobileNet卷积模块，从而在保持低复杂度学习的同时具备计算可扩展性。为了进一步提升模型收敛性和优化可学习参数，本文还提出了一种名为Snow Shepherd Stride Configuration Tuning（S3C-Tune）的混合优化技术。该流程包括原始EEG信号记录、预处理和峰值提取，以去除伪迹并检测具有神经学意义的事件。通过S3C-Tune算法调整模型参数，以实现最高的训练准确性。这种混合流程不仅能够进行广泛的皮层建模，还能实现高效优化，最终实现帕金森病与健康受试者的准确分类。实验结果验证了该方法的有效性，其准确率、精确度、召回率和F1分数分别达到了0.99、0.01和0.05，同时错误率和损失率均处于最低水平。与众多先进的混合深度学习方法相比，所提出的模型在预测正确性方面也达到了最高水平（0.99），平均效率指标为0.95。
