通过基于卷积神经网络和长短期记忆的数据增强来诊断精神分裂症障碍的深度学习方法

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:

• 精神分裂症 (SZ) 是一种严重的慢性精神障碍,患病率越来越高.
• 早期检测对于管理至关重要,但由于症状与其他疾病重叠,经常错过治疗.
• 目前用于SZ检测的机器学习方法需要手动功能工程.

研究的目的:

• 从EEG信号开发一个端到端的深度学习框架,用于自动诊断精神分裂症.
• 利用卷积神经网络 (CNN) 和长短期记忆 (LSTM) 进行增强的信号分析.
• 与传统方法相比,提高精神分裂症检测的准确性和效率.

主要方法:

• 使用15层CNN和16层CNN-LSTM模型进行端到端的方法.
• 用CNN层来学习EEG信号的时间性质.
• 用于序列学习,纳入了LSTM层,用于数据增强使用了生成对抗网络 (GAN).

主要成果:

• 拟议的深度学习模型在大型EEG数据集上显示出高的诊断潜力.
• 在区分SZ和健康受试者方面,获得了98% (CNN) 和99% (CNN-LSTM) 的显著准确率.
• 该框架有效地学习了信号属性,用于准确的分类.

结论:

• 开发的CNN和CNN-LSTM框架显示了自动精神分裂症诊断的重大前景.
• 这些模型可以准确地区分精神分裂症患者与健康对照者.
• 该研究强调了这些深度学习方法在创建新型精神分裂症诊断工具方面的潜力.