从EEG信号中检测精神分裂症,使用MFC系数的选择统计时刻和集体学习

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 医疗信息学 医疗信息学

背景情况:

• 精神分裂症是一种精神障碍,具有影响思维,感知和行为的神经生理功能障碍.
• 早期发现精神分裂症对于预防并发症和有效治疗至关重要.
• 目前的诊断方法可以通过先进的计算方法来改进.

研究的目的:

• 为早期发现精神分裂症提出计算机辅助诊断系统.
• 利用脑电图 (EEG) 信号和机器学习技术来提高诊断准确度.
• 为了评估集合学习模型与特征选择方法相结合的性能.

主要方法:

• 利用了28名受试者的19通道脑电图 (EEG) 信号.
• 应用的Mel频 Cepstral 系数 (MFCC) 和它们的统计时刻 (平均值,std dev,斜率,kurtosis,能量) 用于特征提取.
• 员工支持向量基于机器的递归特征消除 (SVM-RFE) 用于特征选择.
• 开发了一种使用支持向量机,k-最近邻居和以多数投票的物流回归分类器的集合学习模型.

主要成果:

• 拟议的系统证明了对精神分裂症的检测性能令人鼓舞.
• 合并学习与SVM-RFE相结合,MFCC选定的统计时刻显著提高了诊断准确度.
• 这项研究强调了机器学习在推进精神分裂症诊断方面的潜力.

结论:

• 开发的计算机辅助诊断系统显示了早期精神分裂症检测的巨大潜力.
• 集体学习方法与先进的特征提取和选择技术相结合,对于神经系统疾病诊断是有效的.
• 这项研究有助于推进精神病诊断中的计算方法.