从EEG信号到深度学习模型的精神疾病

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 计算机科学 计算机科学

背景情况:

• 由于情绪隐藏和传统神经生理学方法的局限性,诊断精神疾病是具有挑战性的.
• 电脑电图 (EEG) 为客观的诊断措施提供了一个潜在的途径.

研究的目的:

• 开发和评估一个改进的基于EEG的诊断模型,使用深度学习 (DL) 技术来治疗精神疾病.
• 提高精神疾病诊断的准确性和可靠性.

主要方法:

• 利用了945名个体 (850名患者,95名健康对照) 的数据集,专注于六种主要和九种特定的精神疾病.
• 分析了定量EEG数据 (静止状态),包括功率光谱密度 (PSD) 和跨频段的功能连接 (FC).
• 采用并比较各种DL模型:人工神经网络 (ANN),K-最近邻居 (KNN),长短期记忆 (LSTM),双向LSTM (Bi-LSTM) 和CNN-LSTM用于二进制分类.

主要成果:

• 与以前的方法相比,所有拟议的DL模型都表现出优异的性能.
• 对于强迫症 (OCD),ANN的准确率达到了96.83%,对于适应障碍,CNN-LSTM的准确率达到了96.83%.
• 对于急性压力障碍,KNN和LSTM的准确率达到98.94%,对于强迫症预测,KNN和Bi-LSTM的准确率达到97.88%.

结论:

• 通过DL增强的EEG显示出作为精神疾病的经济有效和可访问的诊断工具的巨大潜力,补充了MRI等方法.
• 应用到EEG数据上的先进DL模型可以改善精神疾病诊断的检测,监测和临床应用.
• 这种方法有望改善患者护理和精神病学的结果.