转移学习和自我蒸用于自动检测精神分裂症,使用单通道EEG和 Skalogram 图像

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 精神分裂症 (SZ) 是一种复杂的精神障碍,其特点是现实感知受损,使治疗复杂化.
• 早期诊断和干预对于管理SZ和预防其进展至关重要.
• 电脑电图 (EEG) 是一种非侵入性,易于使用和具有成本效益的工具,用于研究神经系统疾病,如SZ.

研究的目的:

• 用最小的输入数据开发一个优化的系统,用于自动诊断精神分裂症.
• 提高SZ诊断模型的效率和性能.
• 探索转移学习和知识蒸对于基于EEG的SZ检测的实用性.

主要方法:

• 利用单通道EEG信号,通过连续波段转换 (CWT) 将它们转换为图像.
• 综合知识蒸和转移学习技术,特别是使用VGG16模型.
• 采用五倍交叉验证来对5秒EEG信号段进行可靠的性能评估.

主要成果:

• 对于精神分裂症,达到97.81%的高诊断准确率.
• 在P4EEG通道上证明了将自蒸与VGG16模型相结合的有效性.
• 验证了在自动SZ检测中提出的方法的效率和准确性.

结论:

• 开发的系统提供了一个高度准确和高效的方法,用于自动诊断精神分裂症.
• 整合CWT,知识蒸和转移学习显示了神经系统疾病检测的重大前景.
• 这种方法促进了早期干预和改善精神分裂症患者管理.