多尺度卷积复发神经网络用于在静止状态下识别精神疾病的EEG
Weizheng Yan1,2, Linzhen Yu1, Dandan Liu1
1Department of Psychiatry, Second Affiliated Hospital, Zhejiang University School of Medicine, Hangzhou, China.
Frontiers in psychiatry
|July 13, 2023
概括
这项研究引入了一种深度学习模型,用于使用静止状态EEG (rsEEG) 生物标志物对精神疾病进行分类. 该模型实现了高精度,显示了个性化治疗和理解大脑疾病的潜力.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 精神病学是一个精神病学.
背景情况:
- 精确的精神疾病分类对于开发个性化治疗至关重要.
- 客观的神经成像生物标志物是可靠的诊断和监测所需的.
- 当前的诊断方法可能是主观的,缺乏客观的生物标志物.
研究的目的:
- 研究一种深度学习模型,MCRNN,用于使用rsEEG.EEG对精神疾病进行分类.
- 探索精神分裂症,双相情感障碍和严重抑郁症的新生物标志物.
- 为了提高诊断准确性,利用rsEEG的时空信息.
主要方法:
- 使用多尺度卷积循环神经网络 (MCRNN) 进行分类.
- 分析了来自327名个体的静止状态EEG (rsEEG) 数据 (精神分裂症,双极,MDD,健康对照).
- 将被映射到一个低维子空间的对象进行相互关系解释.
主要成果:
- 在两类分类中达到高精度 (78.6-91.3%),在四类分类中达到68.2%.
- 确定了针对精神疾病的歧视性rsEEG生物标志物.
- 该模型的控制到精神分裂症的轨迹与疾病严重程度的临床观察结果一致.
结论:
- 对于精神疾病分类,MCRNN有效提取有区别的rsEEG生物标志物.
- 该模型显示了提高对精神疾病的理解的潜力.
- 这种方法可能有助于监测精神疾病治疗干预措施.
