SchizoLMNet:一种修改过的轻量级的MobileNetV2架构,用于使用EEG衍生谱图自动检测精神分裂症

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 精神分裂症 (SZ) 诊断依赖于主观的精神病学评估,导致潜在的偏见和延迟.
• 早期发现SZ对于及时干预和最大限度地减少长期影响至关重要.
• 电脑电图 (EEG) 信号为客观分析提供了大脑活动的动态测量.

研究的目的:

• 介绍SchizoLMNet,一个新的轻量级修改的MobileNetV2架构,用于高效的精神分裂症诊断.
• 利用来自EEG数据的光谱图像用于自动化SZ检测.
• 开发一种针对精神分裂症的客观和快速诊断工具.

主要方法:

• 来自81名受试者的原始EEG数据的预处理.
• 使用短时间里埃转换 (STFT) 将EEG信号转换为光谱图像.
• 应用深度学习 (DL) 模型,特别是SchizoLMNet架构,用于二进制分类 (SZ与健康).
• 使用数据增强技术来增强模型的稳定性.

主要成果:

• SchizoLMNet实现了高准确率:98.17% (持有),97.03% (独立于主体) 和95.55% (依赖于主体).
• 该模型的性能优于各种预先训练的DL模型和现有的最先进的技术.
• 在使用EEG谱图对精神分裂症进行分类时表现出卓越的表现.

结论:

• 拟议的SchizoLMNet提供了一种高度准确和高效的精神分裂症诊断方法.
• 这种人工智能驱动的方法有助于客观和早期检测SZ.
• 该框架旨在通过移动边缘计算实现实时临床应用,以改进SZ管理.