Evaluation of EEG wavelet packet power spectrum to check Alzheimer’s disease progression

Alzheimer’s disease is one of the most prevalent neurodegenerative diseases and it is strongly associated with age. This disease affects a person’s brain through amyloid-b plaques and neurofibrillary tangles, which lead to a growth in the number of symptoms and in their severity with the disease progression. There are four stages of Alzheimer’s disease: Mild Cognitive Impairment (MCI), Mild, Moderate and advanced. So far, it has no cure, although there is some medication capable of slowing down the symptoms. But, in order to medicate properly an Alzheimer’s patient, it is necessary to diagnose correctly the disease and its stage. There are already ways to diagnose Alzheimer’s disease. The most commonly used is the MMSE, which is the most inexpensive, but it is not as reliable as other tools, such as PET imaging, MRI, CSF analysis and EEG. They are options despite being still experimental tools. They are being used to help medical professionals assessing a person’s mental state regarding Alzheimer’s disease. These methods mentioned above are quite expensive or invasive, with the exception of EEG, which any clinic or hospital can afford for a fraction of a MRI and PET machine price. And also, the exam cost to the patient’s are quite cheap. This work aims at developing a new tool, capable of distinguishing the different stages of Alzheimer’s Disease at scalp level over each electrode location. Features such as the conventional frequencies Relative Power of the maximum, mean and minimum Power Spectral Density Wavelet Packet Transform (PSDWT) have been extracted from the EEG signals. These features were then exhaustively selected per electrode to feed four machine learning classifiers. The results obtained were analysed through topographic maps and enabled a distinction between each study group with overall accuracies of: 85.5% (C-MCI); 88.2% (C-ADM); 91.4% (C-ADA); 89.7% (MCI-ADM); 82.4% (MCI-ADA) and 81.3% (ADM-ADA). It is also important to emphasise that, in every binary group classification, there was at least one channel with 100% accuracy. Regarding the topographic maps, it must be mentioned that the majority of the differences among the four groups are located in the area of the scalp above the frontal and temporal lobes of the brain.A doença de Alzheimer é uma das doenças neurodegenerativas mais comuns e está normalmente associada à idade. Esta doença afeta o cérebro através das placas Amiloide-b e emaranhados neurofibrilares, que conduzem a um aumento do número de sintomas que se intensificam ao longo da progressão da doença. Existem quatro estágios na doença de Alzheimer: Défice Cognitivo Ligeiro (MCI), Leve, Moderado e Avançado. Até à data, não existe cura para a doença de Alzheimer, apesar de haver medicação capaz de atrasar os sintomas da mesma. Contudo para que um paciente seja corretamente medicado, um diagnóstico correto sobre a doença e o seu estágio deve ser realizado. Existem já meios de diagnóstico da doença de Alzheimer. O mais usado é o MMSE, apesar de que este não é completamente fiável, contudo é o mais barato. Tomografia por emissão de positrões (PET), Ressonância Magnética (MRI), análise do líquido cefalorraquidiano e eletroencefalografia (EEG) são opções. Apesar de serem ainda uma componente experimental, são já usadas por profissionais de saúde para avaliar e ajudar na decisão sobre o estado clínico de uma pessoa no que toca a esta doença. Estes últimos métodos mencionados são de certo modo bastante dispendiosos ou invasivos, com a excepção do EEG que tanto as clínicas como os hospitais o podem adquirir por uma fração do preço de um MRI ou PET, e o custo para o paciente é igualmente reduzido. Este trabalho tem como objetivo desenvolver uma nova ferramenta capaz de diferenciar os diferentes estágios da doença de Alzheimer ao nível do elétrodo. Ou seja, nas diferentes localizações ao nível do escalpo. Foram extraídas dos sinais EEG, características como a Potência Relativa das bandas convencionais da PSDWT máxima, média e mínima. Estas características foram posteriormente introduzidas como pares entrada em quatro classificadores de aprendizagem computacional, mas apenas após um processo exaustivo de seleção de características por elétrodo. Os resultados obtidos foram analisados recorrendo a mapas topográficos. E permitiram a distinção entre cada grupo de estudo com precisões de: 88,2% (C-ADM); 91,4% (C-ADA); 89,7% (MCI-ADM); 82,4% (MCI-ADA) e 81,3% (ADM-ADA). É importante frisar que em todas as classificações entre grupos de estudo, existiu sempre, pelo menos um elétrodo com precisão de 100%. Em relação aos mapas topográficos há que ser mencionado que as maiores diferenças entre os quatro grupos encontram-se nas regiões do escalpo acima dos lobos frontal e temporais