使用深度神经网络对患有神经精神疾病的个体进行基于EEG的分类:对当前状态和未来方向的系统审查

科学领域:

• 神经科学和人工智能 人工智能
• 计算精神病学是一种计算精神病学.
• 生物医学信号处理

背景情况:

• 深度神经网络 (DNN) 越来越多地用于脑电图 (EEG) 分类,但自动特征提取仍然是诊断神经精神疾病的挑战.
• 从EEG信号中精确地提取神经标志物对于开发用于抑郁症,阿尔茨海默氏症和精神分裂症等疾病的自动诊断工具至关重要.

研究的目的:

• 审查影响DNN表现的因素,用EEG对神经精神疾病进行分类.
• 分析能提高分类准确性的EEG特征.
• 为了指导未来的研究深度学习用于EEG分析.

主要方法:

• 82篇科学期刊论文的系统审查.
• 分析EEG数据集,疾病类型,DNN架构,性能指标和超参数.
• 专注于使用DNN进行主题分类.

主要成果:

• 大多数研究在临床分类方面都取得了很高的准确性 (91.83 ± 7.34%).
• 卷积神经网络 (CNN) 是最常见的DNN架构.
• 静态EEG信号是最常用的数据类型.
• 抑郁症,阿尔茨海默氏症和精神分裂症是研究最多的疾病.

结论:

• DNN显示出基于EEG的神经精神疾病分类的巨大潜力,CNN和静止状态EEG表现出强的表现.
• 有效的EEG特征提取对于最大限度地提高分类准确性和诊断效用至关重要.
• 本综述为临床神经科学中的EEG分析深度学习的未来研究提供了关键的见解和指导.