一种轻量级的多重精神障碍检测方法,使用单通道EEG信号的基于热的矩阵
Jiawen Li1,2, Guanyuan Feng1, Jujian Lv1
1School of Computer Science, Guangdong Polytechnic Normal University, Guangzhou 510665, China.
Brain sciences
|October 25, 2024
概括
这项研究引入了一种新的脑电图 (EEG) 分析方法,用于早期检测多重精神障碍. 通过分析的特征,它以最小的数据实现了高精度,改善了对精神分裂症,和抑郁症等疾病的诊断.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 生物医学工程 生物医学工程
背景情况:
- 心理健康障碍是一个日益增长的全球性挑战,需要改进的诊断工具.
- 目前用于心理健康状况的诊断方法往往是主观的,耗时的.
- 对于多重精神障碍的客观,高效和早期检测方法有极大需求.
研究的目的:
- 开发一种轻量级,数据高效的方法,用于早期检测多种精神障碍.
- 加强诊断程序,并为受影响的个人提供及时干预.
- 探索脑电图 (EEG) 信号分析对心理健康评估的有用性.
主要方法:
- 使用脑电图 (EEG) 信号作为主要数据源.
- 应用离散波纹分解 (DWT) 来获取大脑节奏.
- 提取了各种度 (近似,模糊,变换,样本度) 来创建一个基于度的矩阵.
- 使用机器学习分类器 (SVM,kNN,NB,GAM,LDA,DT) 进行疾病检测.
- 使用公共数据集验证了用于精神分裂症,和抑郁症的方法.
主要成果:
- 确定了每个疾病的代表性单通道EEG信号 (精神分裂症的O1,的F3,抑郁症的O2).
- 获得了高分类准确率:精神分裂症为88.10%,为75.47%,抑郁症为89.92%.
- 通过最小的数据输入,证明了有效的多重精神障碍检测.
结论:
- 拟议的轻量级EEG分析方法为早期多精神障碍检测提供了一种可靠的方法.
- 该方法提高了EEG信号中特征的解释性.
- 这种方法有助于更好地理解精神疾病的潜在机制和病理状态,为改善患者的治疗结果铺平了道路.
