用深度学习算法分析的EEG记录自动识别精神分裂症

科学领域:

• 神经科学是一个神经科学.
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 脑电图 (EEG) 记录大脑的电活动,用于诊断精神障碍.
• 诊断精神分裂症可能具有挑战性,需要先进的分析工具.
• 当前的诊断方法可能会从客观,数据驱动的方法中受益.

研究的目的:

• 提出一种新的系统,使用EEG记录对精神分裂症患者进行分类.
• 开发一种算法,有效地区分精神分裂症患者与健康对照.
• 根据已建立的机器学习算法对拟议系统的性能进行评估.

主要方法:

• 通过模糊方式将EEG信号分解为辐射基函数.
• 使用来自多个EEG电极的信息进行分类.
• 与K-最近邻近,适配,支向量机和贝叶斯线性差异分析进行比较.

主要成果:

• 拟议的模糊方法分解方法实现了高性能指标.
• 均衡的准确性,回忆力,精度和F1得分均为93%左右.
• 与经典算法相比,该新系统展示了优越的分类性能.

结论:

• 开发的系统提供了一个非常准确的方法来从EEG数据中分类精神分裂症.
• 该算法的有效性在将患者与对照者分开方面得到证实.
• 这种大脑活动分析模型显示出有助于精神分裂症预测的前景.