合成EEG数据的生成用于训练算法,以支持重大抑郁症诊断
Friedrich Philipp Carrle1,2, Yasmin Hollenbenders1,2, Alexandra Reichenbach1,2
1Center for Machine Learning, Heilbronn University, Heilbronn, Germany.
Frontiers in neuroscience
|October 18, 2023
概括
使用生成对抗网络 (GAN) 生成合成脑电图 (EEG) 数据显示有望改善主要抑郁症 (MDD) 诊断模型. 虽然合成数据可以提高分类准确性,但为了广泛的临床应用,需要进一步细化.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 生物医学工程 生物医学工程
背景情况:
- 重度抑郁症 (MDD) 是一个普遍存在的全球心理健康问题,显著影响生活质量.
- 脑电图 (EEG) 与机器学习 (ML) 结合,为MDD提供了客观的诊断潜力.
- 由于数据集小,ML模型的有限通用性阻碍了临床应用.
研究的目的:
- 审查用于用于分类任务的生成算法来增强EEG数据的方法.
- 通过使用生成对抗网络 (GANs) 为MDD患者和健康对照生成合成EEG时间序列.
- 评估合成数据对MDDML模型诊断准确性的影响.
主要方法:
- 对使用生成算法增强EEG数据的27项研究进行了系统审查.
- 使用基于公共MDD和控制数据集的GAN生成合成EEG时间序列.
- 使用原始和合成数据对MDD诊断进行卷积神经网络 (CNN) 的培训和评估.
主要成果:
- 经过审查的研究报告了与合成数据的分类准确度的改善,从1%到40%不等.
- 自己的研究在一个数据集上实现了高达10%的诊断准确度改善;在另一个数据集上没有显著的改善.
- 确定了合成EEG数据缺乏可靠的评估指标,在复制频率域特征方面存在局限性.
结论:
- 使用GAN生成合成EEG数据是一种增强基于ML的MDD诊断的有希望的方法.
- 目前的方法需要进一步的微调和验证,并与临床翻译领域的专业知识进行验证.
- 制定标准化的评估指标对于评估合成EEG数据的质量和实用性至关重要.
