具有训练注意力层 (MENTAL) 的多模态EEG NEO-FFI用于心理障碍预测

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 精神病学是一个精神病学.

背景情况:

• 正确的精神障碍诊断由于复杂性而具有挑战性,导致误诊或延迟检测.
• 脑电图 (EEG) 功率光谱密度 (PSD) 显示为心理健康状况的生物标志物具有前景.
• 目前的EEG模型难以区分各种精神障碍.

研究的目的:

• 介绍MENTAL (带有训练注意层的多模式EEG NEO-FFI),这是一个用于预测心理状态的新型AI模型.
• 整合EEG和Neo-Five Factor Inventory (NEO-FFI) 人格数据,以提高诊断能力.
• 提高精神疾病分类的准确性和特异性.

主要方法:

• 开发了MENTAL,这是一个多模式的深度学习模型,包含注意层和循环神经网络 (RNN).
• 使用了Two Decades Brainclinics Research Archive for Insights in Neuroscience (TDBRAIN) 数据集 (1274人, >30个诊断) 的数据集. 这是一个很好的例子.
• 采用注意层来捕捉人格特征和EEGPSD特征之间的相互作用,优先考虑突出数据.

主要成果:

• 在区分健康个体和ADHD个体时,获得了93.3%的准确性.
• 在33个障碍类别中,ADHD分类准确度从70.5%提高到81.7%.
• 在重大抑郁障碍 (MDD) 预测方面表现出超过20%的改善,在多类 (3类和5类) 预测方面取得了显著的进展.

结论:

• 精神是第一个使用EEG和NEO-FFI用于心理障碍预测的多模式模型,提供了更好的诊断准确性.
• 该模型显示了使用TDBRAIN数据集进行自动化疾病分类的巨大潜力.
• MENTAL为心理健康评估提供了一种可访问和具有成本效益的方法,有可能改善患者的治疗结果和社会支持.