基于空间时间余图卷积网络的精神分裂症自动诊断
1College of Medical Instruments, Shanghai University of Medicine and Health Sciences, Shanghai, China.
Biomedical engineering online
|June 17, 2024
概括
这项研究引入了一种新的时空余图卷积神经网络 (STRGCN),用于诊断精神分裂症 (SZ). 先进的STRGCN模型实现了高分类准确性,为SZ诊断和理解大脑网络变化提供了显著的改进.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 由于缺乏精确的诊断方法,精神分裂症 (SZ) 构成了重大挑战,影响生活质量.
- 目前对SZ的诊断方法不足,需要先进的技术来准确识别和治疗.
研究的目的:
- 开发和评估一种新的分类方法,用电脑电图 (EEG) 数据来诊断精神分裂症 (SZ).
- 整合来自EEG信号的空间和时间频率特征,以改进SZ分类.
主要方法:
- 开发了一个空间时间残余图卷积神经网络 (STRGCN),结合了空间图卷积和单通道时间卷积.
- STRGCN模型以图形形式分析EEG信号,整合了时间和空间频率特征,与传统方法不同,它只专注于时间信息.
- 在公共 (Zenodo) 和私人数据集上进行了实验,以验证拟议的方法.
主要成果:
- 拟议的STRGCN方法在Zenodo数据集上实现了96.32%的高分类准确率,在私人数据集上达到85.44%.
- 分析表明,三角洲频段在所有子频段中提供了最佳的分类性能.
- 与现有的机器学习和深度学习算法相比,STRGCN方法表现出卓越的性能.
结论:
- 与传统算法相比,开发的STRGCN方法为诊断精神分裂症提供了更有效的方法.
- 这种方法通过分析集成的空间和时间EEG数据来增强对精神分裂症如何影响大脑网络特征的理解.
- 这些发现表明了改善SZ诊断和潜在指导治疗策略的有希望的方向.
