基于三维自适应图卷积神经网络的精神分裂症识别
Guimei Yin1, Jie Yuan2, Yanjun Chen1
1School of Computer Science and Technology, Taiyuan Normal University, Jinzhong, 030619, China.
Scientific reports
|February 3, 2025
概括
一个新的3D自适应图卷积神经网络 (3D-AGCN) 通过分析电脑电图 (EEG) 数据来改善精神分裂症的分类. 这种方法在识别第一发精神分裂症患者时达到87.64%的准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 深度学习模型已经推进了精神分裂症研究,但往往忽视了EEG的3D空间特性和动态节点相互作用.
- 现有的方法可能依赖于主观的特征选择和大脑网络构建标准.
研究的目的:
- 提出一个3D自适应图卷积神经网络 (3D-AGCN) 模型,用于使用EEG信号进行增强的精神分裂症分类.
- 动态学习大脑网络节点之间的相互作用,并整合空间,特征和频段维度.
主要方法:
- 脑电图数据按长度和频段进行细分.
- 集成多维节点特征的注意力机制.
- 适应性大脑功能网络的构建.
- 使用图形注意力网络 (GAT) +图形卷积网络 (GCN) 模型进行分类.
主要成果:
- 3D-AGCN模型在第一发精神分裂症患者中实现了87.64%的最高分类准确率.
- 通过6秒的EEG段和时间和频率域特征的组合观察到最佳性能.
- 适应性方法的表现优于传统的特征选择和大脑网络建模技术.
结论:
- 拟议的3D-AGCN为精神分裂症分类提供了一种强大而适应性的方法.
- 这种方法为早期诊断和识别精神分裂症提供了新的见解.
- 该模型捕捉动态,多维EEG特征的能力对于改善诊断准确性至关重要.
