通过基于3DCNN的隐藏层特征聚合框架调查精神分裂症EEG机制的解释性

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:

• 脑电图 (EEG) 复杂性分析是精神分裂症的一个有希望的生物标志物.
• 目前的手动特征提取方法是主观的,并产生不一致的结果.
• 客观可靠的EEG分析对于早期诊断精神分裂症至关重要.

研究的目的:

• 开发一种深度学习方法,用于加强精神分裂症的EEG复杂性分析.
• 提高基于EEG的精神分裂症查和诊断的准确性和可解释性.
• 利用3D卷积神经网络 (3DCNN) 来从EEG数据中提取高级特征.

主要方法:

• 使用3D卷积神经网络 (3DCNN) 来从EEG信号中提取时空特征.
• 使用知识蒸将提取的特征重新整合到原始的EEG通道中,从而创建功能增强的数据.
• 进行了十倍的交叉验证,以评估主体依赖和独立的分类准确性.

主要成果:

• 在精神分裂症分类中获得高平均准确率 (99.46%对主体依赖,96.04%对主体独立).
• 与原始数据相比,功能增强的数据显示出优越的分类性能和训练稳定性.
• 在精神分裂症患者中观察到较低的和明显的Katz's Fractal Dimension (KFD) 模式,特别是在额叶和叶.

结论:

• 拟议的深度学习方法显著提高了精神分裂症检测中的歧视性和可解释性.
• 功能增强的EEG数据为复杂性分析提供了更丰富的见解.
• 这种方法有可能使基于EEG的精神分裂症诊断更加准确和可靠.