基于不同时代大小休息状态EEG的精神分裂症诊断,使用机器学习
Athar Alazzawı1, Saif Aljumaili1, Adil Deniz Duru2
1Electrical and Computer Engineering, School of Engineering and Natural Sciences, Altinbaş University, Istanbul, Turkey.
PeerJ. Computer science
|September 24, 2024
概括
早期发现精神分裂症至关重要. 这项研究引入了一种使用特定特征的脑电图 (EEG) 方法和支持向量机 (SVM) 分类器,用于准确的精神分裂症诊断.
科学领域:
- 神经科学和精神病学 在
- 生物医学信号处理
- 医疗保健中的机器学习
背景情况:
- 精神分裂症是一种严重的精神障碍,影响认知,社会和情绪功能.
- 早期和准确的精神分裂症诊断对于有效的患者管理和治疗至关重要.
- 电脑电图 (EEG) 提供了一种非侵入性方法来捕捉大脑活动.
研究的目的:
- 开发和评估一种使用静止状态EEG信号对精神分裂症进行分类的新方法.
- 调查数据增强,特征减少和不同窗口大小对分类准确性的影响.
- 为了确定最佳的特征提取和分类算法用于精神分裂症检测.
主要方法:
- 从28名受试者 (14名精神分裂,14名健康对照) 收集了静止状态EEG数据,使用19个频道的250Hz频率.
- 将EEG信号分解成五个子频段,使用带通波来提高信号清晰度并减少人工物.
- 采用了具有L2规范化的特征提取算法 (FFT,ApEn,LogEn,ShnEn,kurtosis),通过数据增强 (噪音,拉伸) 和最小冗余最大相关性 (MRMR) 功能减少在1,2和5秒窗口中进行测试. 使用KNN,SVM,QDA和EC进行分类.
主要成果:
- 支持矢量机 (SVM) 分类器通过使用1秒窗口大小的Log Energy Entropy (LogEn) 特性实现了显著的结果.
- 数据增强和MRMR特征减少,结合特定的特征集和窗口大小,显著影响了分类性能.
- 与最近发表的关于类似数据集的研究相比,提出的方法显示出了显著的改进.
结论:
- 通过仔细选择适当的EEG特征和分类模型,可以实现对精神分裂症的准确诊断.
- "LogEn"功能,一秒钟窗口和SVM的结合为自动化精神分裂症检测提供了一个有前途的方法.
- 这项研究强调了先进的信号处理和机器学习技术在精神病诊断中的潜力.
