Search research articles

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序

Same author

Enhanced diabetes prediction using CTGAN-MLP approach on body composition data.

Scientific reports·2025

Same author

Skeleton-Based Intake Gesture Detection With Spatial-Temporal Graph Convolutional Networks.

Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference·2025

Same author

Evaluation of vision transformers for the detection of fullness of garbage bins for efficient waste management.

Frontiers in artificial intelligence·2025

Same author

Enhancing leaf disease classification using GAT-GCN hybrid model.

Frontiers in plant science·2025

Same author

Entropy difference-based EEG channel selection technique for automated detection of ADHD.

PloS one·2025

Same author

Editorial: AI and machine learning application for neurological disorders and diagnosis.

Frontiers in human neuroscience·2025

关于 JoVE

概览领导团队博客 JoVE 帮助中心

作者

出版流程编辑委员会范围与政策同行评审常见问题投稿

图书馆员

用户评价订阅访问资源图书馆顾问委员会常见问题

研究

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments 存档

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教师资源中心教师网站

使用条款与条件

Search research articles

相关实验视频

Updated: May 24, 2025

Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy

Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy

Published on: June 27, 2013

使用基于差异的脑电图道选择方法检测精神分裂症.

T Sunil Kumar, Shishir Maheshwari, Kandala N V P S Rajesh

Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference

|March 5, 2025

概括

此摘要是机器生成的。

本研究介绍了一种基于差 (ED) 的脑电图 (EEG) 通道选择方法,用于准确检测精神分裂症. 这种新的方法实现了100%的分类准确性,大大改善了现有方法.

更多相关视频

Network Analysis of Foramen Ovale Electrode Recordings in Drug-resistant Temporal Lobe Epilepsy Patients

Network Analysis of Foramen Ovale Electrode Recordings in Drug-resistant Temporal Lobe Epilepsy Patients

Published on: December 18, 2016

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Published on: November 1, 2019

相关实验视频

Last Updated: May 24, 2025

Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy

Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy

Published on: June 27, 2013

Network Analysis of Foramen Ovale Electrode Recordings in Drug-resistant Temporal Lobe Epilepsy Patients

Network Analysis of Foramen Ovale Electrode Recordings in Drug-resistant Temporal Lobe Epilepsy Patients

Published on: December 18, 2016

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Published on: November 1, 2019

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
机器学习机器学习

背景情况:

精神分裂症的诊断依赖于临床评估,通常缺乏客观的生物标志物.
电脑电图 (EEG) 信号为检测神经系统疾病提供了客观数据的潜在来源.
目前基于EEG的精神分裂症检测方法在道选择和计算复杂性方面面临挑战.

研究的目的:

开发一种新且高效的算法,使用脑电图 (EEG) 数据识别精神分裂症.
引入基于差 (ED) 的通道选择方法,以确定用于精神分裂症检测的最有信息性的EEG通道.
提高EEG信号的精神分裂症分类的准确性和减少计算负载.

主要方法:

基于差 (ED) 的算法用于选择最重要的EEG通道.
使用离散波纹转换 (DWT) 将选定的EEG信号分解为子频段.
从子频段变化中提取对称加权的局部二进制模式以提取特征.
支持矢量机 (SVM) 用于对患有精神分裂症和没有精神分裂症的人进行分类.

主要成果:

提出的基于ED的通道选择算法成功识别了用于精神分裂症检测的歧视性EEG通道.
该方法使用单一选择道的特征实现了显著的100%分类准确性.
基于ED的道选择方法在与现有的基于的方法相比,表现优越.

结论:

基于ED的新通道选择算法提供了一种高度准确和计算高效的方法,用于使用EEG检测精神分裂症.
这种方法显著提高了EEG作为精神分裂症诊断的客观生物标志物的潜力.
这些发现表明,开发基于神经成像的先进诊断工具来治疗精神健康障碍是一个有前途的方向.