IA
Ibrahim Al-Shourbaji
Author with expertise in Brain-Computer Interfaces in Neuroscience and Medicine
Achievements
Cited Author
Key Stats
Upvotes received:
0
Publications:
6
(33% Open Access)
Cited by:
301
h-index:
16
/
i10-index:
22
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

LEADNet: Detection of Alzheimer’s Disease using Spatiotemporal EEG Analysis and Low-Complexity CNN

Digambar Puri et al.Jan 1, 2024
Clinical methods for dementia detection are expensive and prone to human errors. Despite various computer-aided methods using electroencephalography (EEG) signals and artificial intelligence, a consistent separation of Alzheimer's disease (AD) and normal-control (NC) subjects remains elusive. This paper proposes a low-complexity EEG-based AD detection CNN called LEADNet to generate disease-specific features. LEADNet employs spatiotemporal EEG signals as input, two convolution layers for feature generation, a max-pooling layer for asymmetric spatiotemporal redundancy reduction, two fully-connected layers for nonlinear feature transformation and selection, and a softmax layer for disease probability prediction. Different quantitative measures are calculated using an open-source AD dataset to compare LEADNet and four pre-trained CNN models. The results show that the lightweight architecture of LEADNet has at least a 150-fold reduction in network parameters and the highest testing accuracy of 98.75% compared to pre-trained models. The investigation of individual layers of LEADNet showed successive improvements in feature transformation and selection for separating AD and NC subjects. A comparison with the state-of-the-art AD detection models showed that the highest accuracy, sensitivity, and specificity were achieved by the LEADNet model.