使用基于分布式激活函数的统计注意力双向长短记忆的精神分裂症检测

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 精神分裂症的检测依赖于分析电脑电图 (EEG) 信号以确定大脑活动模式.
• 现有的模型难以应对EEG数据的复杂性和可变性,限制了它们捕捉时间依赖和相关特征的能力.
• 传统方法缺乏适应性,阻碍了对精神分裂症模式与其他大脑活动的准确区分.

研究的目的:

• 引入一种新的基于分布式激活功能的统计注意力Bi-LSTM (DA-SA-BiLSTM) 模型,用于增强精神分裂症检测.
• 提高EEG信号分析在识别精神分裂症时的精度和解释性.
• 解决现有模型在捕捉时间依赖性和适应EEG数据变化方面的局限性.

主要方法:

• 开发了一个DA-SA-BiLSTM模型,将过去和未来的数据上下文结合起来,以管理时间依赖.
• 实现了动态特征加权,以强调关键部分并减少噪音,提高预测准确度.
• 利用不同层次的不同激活功能来进行自适应模式识别,并改进特征关系以进行精确的分类.

主要成果:

• 该DA-SA-BiLSTM模型在精神分裂症检测中实现了95.9%的准确性.
• 证明了卓越的性能,最小的平均平方误差 (MSE) 为5.86.6.
• 报告的高灵敏度 (95.84%) 和特异性 (95.97%),表现优于现有模型.

结论:

• 通过使用EEG信号,DA-SA-BiLSTM模型显著提高了精神分裂症检测的准确性和可解释性.
• 该模型能够管理时间依赖性并适应数据特征,使其成为临床应用的有希望的工具.
• 这种方法为基于大脑活动模式的精神分裂症分类提供了更强大,更精确的方法.