相关实验视频
Updated: Jun 27, 2025
09:32
Cortical Source Analysis of High-Density EEG Recordings in Children
Published on: June 30, 2014
21.3K
使用多通道EEG信号和粗略的集合理论优化特征子集来检测精神分裂症
Sridevi Srinivasan1, Shiny Duela Johnson1
1Department of Computer Science and Engineering, SRM Institute of Science and Technology, Ramapuram, Chennai, India.
Cognitive neurodynamics
|May 3, 2024
概括
这项研究引入了一种使用电脑电图 (EEG) 信号诊断精神分裂症 (SZ) 的新方法. 交叉增强的阿基米德优化算法与精神分裂症检测 (CAORS-SD) 的粗略集显著提高了诊断准确性和效率.
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:
- 通过视觉评估,诊断精神分裂症 (SZ) 是具有挑战性和耗时的.
- 电脑电图 (EEG) 信号为SZ检测提供了对大脑状态的有效洞察.
- 现有的SZ检测深度学习方法需要大量的计算资源.
研究的目的:
- 在SZ检测中开发一个高效的EEG信号缩小维度的技术.
- 提出一种新的算法,CAORS-SD,集成改进的CAO (ICAO) 和粗略的集合,以进行最佳的特征选择.
- 提高SZ诊断的准确性和降低使用多通道EEG数据的计算成本.
主要方法:
- 来自SZ患者和健康对照者的多通道EEG信号使用多变量实证模式分解成多变量内在模式函数 (MIMFs) 进行了分解.
- 在MIMF领域计算了各种度指标 (光谱,变换,近似,样本,SVD).
- 一个交叉增强的阿基米德优化算法 (AOA) 与粗略集 (CAORS-SD) 用于维度减少和特征选择.
主要成果:
- 该CAORS-SD模型实现了高的诊断性能:准确性 (96.34%),灵敏度 (98.95%),特异性 (96.86%),精度 (98.52%) 和F1得分 (96.74%).
- 与现有方法相比,拟议的方法显著减少了处理时间,并将错误率降至最低.
- 使用ICAO的尺寸缩小和粗略集为内核支持矢量机器分类器优化了特征选择.
结论:
- 该CAORS-SD方法在通过EEG信号准确检测精神分裂症方面表现出卓越的性能.
- 整合ICAO减小维度和基于粗略集的特征选择,提高了诊断效率.
- 这种方法为精神分裂症检测提供了一种计算效率高,准确度高的工具,降低了过拟合风险.
