多解析度功能融合用于使用EEG信号在青少年中智能诊断精神分裂症

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:

• 由于目前的诊断方法的局限性,依赖于不充分的特征,早期发现精神分裂症 (SZ) 是具有挑战性的.
• 现有的方法通常使用有限的脑电图 (EEG) 功能,阻碍有效的诊断.

研究的目的:

• 开发一种基于机器智能的自动化模型,以使用EEG信号在青少年中有效诊断精神分裂症.
• 通过结合更广泛的信号特征和先进的计算技术来改进现有的诊断模型.

主要方法:

• 使用了来自84名青少年的16通道EEG数据集 (45名SZ有症状,39名对照).
• 应用经验波形变换和经验模式分解用于信号分析和特征提取.
• 开发了一种混合模型,将卷积神经网络 (CNN) 和集体袋树结合起来进行诊断,整合深度学习和手工制作的功能.

主要成果:

• 与现有方法相比,拟议的混合模型显示出优越的分类性能.
• 通过对机器学习分类器的选择性特征应用来确定诊断的最佳子频段.
• 研究了不同大脑区域的影响,并结合了区域数据对诊断准确性的影响.

结论:

• 开发的计算机辅助决策模型为精神分裂症提供了更强大,更有效的诊断系统.
• 这种方法通过提供全面的诊断工具来解决先前研究的局限性.
• 这些发现表明,早期发现和诊断青少年精神分裂症是一个有希望的途径.