密集的注意力网络识别了精神分裂症患者在工作记忆表现期间的EEG异常

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 机器学习 机器学习

背景情况:

• 精神分裂症的特征是工作记忆的缺陷和大脑活动异常.
• 由于症状异质性和复杂的神经生理学,诊断精神分裂症具有挑战性.
• 电脑电图 (EEG) 可以揭示认知缺陷的神经支.

研究的目的:

• 在精神分裂症患者的视觉工作记忆任务中调查EEG异常.
• 使用可解释的机器学习算法对精神分裂症患者进行分类.
• 描述患者和健康对照人群之间的神经生理差异.

主要方法:

• 在视觉工作记忆任务中,对15名精神分裂症患者和15名健康对照进行了脑电图 (EEG) 研究.
• 一个定制的密集注意力网络 (DAN) 机器学习模型被用于分类.
• 分析了行为表现,事件相关潜力和时间频率EEG数据.

主要成果:

• 在区分患者与对照者方面,DAN模型取得了显著的准确性 (ACC = 0.69).
• 两组之间在行为表现或与事件相关的潜力方面没有发现显著差异.
• 精神分裂症患者在工作记忆阶段表现出较低的α抑制,与DAN模型注意力峰值相关.

结论:

• 可解释机器学习,特别是DAN,在帮助诊断精神分裂症方面表现有前途.
• 基于EEG的分类可以识别与精神疾病相关的振荡异常.
• 这种方法可能有助于对复杂的神经疾病的差异诊断.