基于EEG的精神分裂症检测,使用有效的连接地图和卷积神经网络与转移学习的融合

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 精神分裂症 (SZ) 是一种严重的精神障碍,其特点是妄想和幻觉,严重影响患者及其家人.
• 电脑电图 (EEG) 信号为诊断神经和精神疾病提供一种神经成像方法.
• 有效的大脑连接分析对于理解神经科学研究中的大脑状态至关重要.

研究的目的:

• 开发和评估一种新的基于图像的深度学习模型,用于使用多通道EEG信号诊断精神分裂症 (SZ).
• 为了研究转移学习 (TL) 与卷积神经网络 (CNN) 的有效性,用于SZ检测.
• 通过结合多个CNN的整体方法来提高诊断准确性.

主要方法:

• 通过将多通道EEG数据的三个有效连接措施 (PDC,dDTF,TE) 融合在三个时间窗口中,创建了一个新的图像表示.
• 通过转移学习 (TL) 使用五个已建立的CNN架构 (ResNet-50,Inception-v3,DenseNet-201,EfficientNetB0,NasNet-Mobile) 来将SZ患者与健康对照进行分类.
• 使用多数投票组合方法,将CNN的预测结合起来,以提高诊断性能.

主要成果:

• 使用Leave-One-Subject-out (LOSO) 交叉验证,EfficientNetB0模型实现了最高的诊断准确率 (96.67%和96.28%在两个数据库上).
• 组合方法结合了EfficientNetB0,ResNet-50和NasNet-Mobile,进一步提高了准确率约3%.
• 与现有的最先进的研究相比,拟议的方法在诊断SZ方面表现优越.

结论:

• 合并的EEG图像与通过TL的CNN集体相结合,为诊断精神分裂症提供了一种非常有效的方法.
• 该研究强调了先进的机器学习技术在使用神经成像数据的精神病诊断中的潜力.
• 这种方法有望改善精神分裂症的早期和准确检测.