Neues GAN-Modell erkennt Parkinson im EEG zuverlässig über Datensätze hinweg

Elektroenzephalographie (EEG) gilt bereits als wirkungsvolle Technik zur frühzeitigen Erkennung von Parkinson. In der Praxis stoßen jedoch aktuelle Verfahren an ihre Grenzen: Sie funktionieren gut innerhalb einzelner Datensätze, doch die große Variabilität zwischen den EEG‑Sammlungen und die geringen Stichprobengrößen erschweren die Entwicklung eines Modells, das über mehrere Datensätze hinweg zuverlässig arbeitet.

Um dieses Problem anzugehen, präsentiert die Studie das GAN‑enhanced Generalizable Model for EEG‑Based Detection of Parkinson's Disease (GEPD). Das Modell kombiniert einen generativen Netzwerk-Ansatz mit einer robusten Klassifikationsarchitektur, um die Übertragbarkeit auf unterschiedliche Datensätze zu erhöhen.

Im ersten Schritt erzeugt ein generatives Netzwerk „Fusion‑EEG“-Daten, indem es die Verteilung der generierten Signale gezielt an die reale Datenverteilung anpasst. Parallel dazu prüft ein EEG‑Qualitätsbewertungsmodell die Integrität der erzeugten Daten, sodass nur hochwertige Beispiele in den Lernprozess einfließen.

Der Klassifikator besteht aus mehreren Convolutional Neural Networks, die die zeit‑frequenzlichen Eigenschaften der EEG‑Signale effektiv erfassen. Durch die modulare Bauweise bleibt die Struktur generalisierbar, während die Lernschritte schnell konvergieren.

In Cross‑Dataset‑Tests erreichte GEPD eine Genauigkeit von 84,3 % und einen F1‑Score von 84,0 %. Diese Werte liegen auf dem Niveau der führenden Modelle und belegen die hohe Übertragbarkeit des Ansatzes.

Die Ergebnisse zeigen, dass intelligente, GAN‑gestützte Modelle das Potenzial haben, die Diagnose und das Monitoring von Parkinson und anderen neurologischen Erkrankungen zu verbessern, indem sie zuverlässige, datensatzübergreifende Klassifikationen ermöglichen.