基于多通道EEG和CNN深度学习模型的精神分裂症的识别和诊断
Imene Latreche1, Sihem Slatnia1, Okba Kazar2
1Department of Computer Science, University of Biskra, Biskra, Algeria.
Schizophrenia research
|July 13, 2024
概括
这项研究引入了一种先进的深度学习模型,用于使用脑电图 (EEG) 数据检测精神分裂症 (SZ). 这种新的方法达到99%以上的准确性,超过了基于EEG的精神分裂症诊断现有方法.
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) 诊断依赖于临床评估,往往导致发现延迟.
- 对SZ的客观诊断工具对于及时干预和治疗至关重要.
- 电脑电图 (EEG) 信号为神经和精神疾病提供了潜在的生物标志物.
研究的目的:
- 利用EEG数据开发一种高精度的自动化方法来检测精神分裂症.
- 提出一种新的十层卷积神经网络 (CNN) 模型,用于特征提取和分类.
- 评估模型的性能与传统的机器学习方法和现有文献相比.
主要方法:
- 利用了来自14名健康受试者和14名精神分裂症患者的EEG记录.
- 开发了一个十层的CNN架构,包括卷积,聚合,丢弃和完全连接的层.
- 采用十倍交叉验证技术进行可靠的绩效评估.
- 直接从EEG信号中实现了自主特征提取.
主要成果:
- 从EEG数据中检测精神分裂症的平均准确度为99.18%.
- 在未见的数据上验证了模型,获得了近乎完美的准确性 (约100%).
- 与该领域的众多可比性研究相比,证明了卓越的性能.
结论:
- 拟议的CNN模型提供了一个高度准确和自动化的方法,通过EEG检测精神分裂症.
- 自主功能提取简化了诊断过程,提高了效率.
- 这种方法在改善精神分裂症的早期诊断和管理方面具有显著的潜力.
