Ein Forschungsteam der Universität Örebro hat zwei KI-gestützte EEG-Analysemodelle entwickelt, die Demenzpatienten durch die Analyse der Hirnströme präzise identifizieren können. Diese KI-EEG-Analysetechnologie kombiniert temporale Faltungsnetzwerke und Long Short-Term Memory-Netzwerke, um die EEG-Signalcharakteristika von Alzheimer, frontotemporaler Demenz und gesunden Personen zu unterscheiden.

Forscher Mohamed Hanif erklärte: „Eine frühzeitige Diagnose ist entscheidend, um proaktive Maßnahmen zur Verlangsamung des Krankheitsverlaufs und zur Verbesserung der Lebensqualität der Patienten zu ermöglichen.“ Das KI-EEG-Analysesystem erreichte in Tests eine Genauigkeit von über 80 % und nutzt interpretierbare Technologie zur Darstellung der EEG-Signalsegmente, die die Grundlage für die Diagnose bilden.

In einer zweiten Studie wurde ein ressourcenschonendes Modell auf Basis eines Federated-Learning-Frameworks entwickelt, das eine Genauigkeit von 97 % unter Wahrung der Patientendaten erzielt. Hanif betont: „Herkömmliche Modelle des maschinellen Lernens sind oft intransparent und mit Datenschutzproblemen behaftet. Unsere Forschung zielt darauf ab, diese beiden Probleme zu lösen.“ Diese KI-basierte EEG-Analysemethode erfasst charakteristische Muster, die mit Demenz assoziiert sind, indem sie Signale in Frequenzbändern wie Alpha-, Beta- und Gammawellen analysiert.

Durch kontinuierliche technologische Optimierung wird erwartet, dass dieses KI-basierte EEG-Analysetool in der Primärversorgung breite Anwendung finden wird. Die EEG-Erkennung in Kombination mit tragbaren Geräten bietet eine komfortable Lösung für das Früherkennungsscreening von Demenz. Das Forschungsteam plant, den Datensatz um weitere Krankheitsarten wie vaskuläre Demenz zu erweitern und so die Anwendung der KI-basierten EEG-Analysetechnologie in der Neuromedizin zu fördern.

Weitere Informationen: Waqar Khan et al., „An Interpretable and Efficient Deep Learning Framework for EEG-Based Diagnosis of Alzheimer's Disease and Frontotemporal Dementia“, *Frontiers in Medicine* (2025). Muhammad Umair et al., „Datenschutzwahrende EEG-basierte Demenzklassifizierung auf Basis einer hybriden Fusion von EEGNetv4 und Federated Learning“, *Frontiers in Computational Neuroscience* (2025).