頭皮のEEGベースのコンボリューションニューラルネットワークの集合を用いた強迫性障害の検出

科学分野:

• 神経科学
• 人工知能
• 医療診断

背景:

• 執着性障害 (OCD) は 侵入的な考えや 強制的な行動によって 患者の生活に大きく影響します
• OCDの早期診断は 効果的な管理と治療に不可欠です
• 現在の診断方法は時間がかかり 疾患の全スペクトルを把握できないかもしれません

研究 の 目的:

• 電気脳図 (EEG) 信号を用いた強迫性障害の早期診断のためのディープラーニングモデルを開発し評価する.
• 先行訓練されたコンボリューションニューラルネットワーク (CNN) の個々のモデルのパフォーマンスをアンサンブルアプローチで比較する.
• EEGベースのOCD検出における転送学習と最適化アルゴリズムの有効性を調査する.

主な方法:

• OCD患者から得られた 生体頭皮のEEGデータを使いました
• 前もって訓練された3つのCNNモデル (EEGNet,Shallow ConvNet,Deep ConvNet) を開発し,微調整しました.
• これらのCNNモデルのアンサンブルを重み付けされた多数決で実装し,差異進化 (DE) アルゴリズムで重みを最適化しました.

主要な成果:

• Shallow ConvNetは,85.91%の精度で強力な個別パフォーマンスを示しました.
• アンサンブルモデルは 87.03%の精度,82.21%の感度,96.69%の特異性で優れた結果を達成しました.
• 提案されたハイブリッドモデルは,OCDの正確な識別のために,EEGの特徴を効果的に抽出しました.

結論:

• ディープラーニングモデル,特にCNNのアンサンブルは,EEG信号を用いたOCDの早期かつ正確な診断に大きな希望を示しています.
• 移転学習と最適化技術は,EEGベースのシステムの診断能力を高めます.
• 開発されたハイブリッドモデルは,臨床OCDスクリーニングのための潜在的非侵襲的ツールを提供します.