基于EEG的精神分裂症检测:集成离散波波变换和深度学习.
Dayanand Dhongade1, Kamal Captain2, Suresh Dahiya2
1Electronics and Telecommunication Engineering Department, Ramrao Adik Institute of Technology, Nerul, Navi Mumbai, Maharashtra 400706 India.
Cognitive neurodynamics
|April 21, 2025
概括
这项研究引入了使用电脑电图 (EEG) 信号和波形变换来检测精神分裂症 (SZ) 的深度学习系统. 该方法具有很高的准确性,有助于诊断这种心理障碍.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 信号处理 信号处理
背景情况:
- 精神分裂症 (SZ) 是一种广泛的心理障碍,影响全球数百万人.
- 目前的诊断依赖于医疗从业者的手动评估.
- 机器学习和对脑电图 (EEG) 信号的深度学习为诊断支持提供了潜力.
研究的目的:
- 开发一种高精度的自动化系统,使用EEG信号检测精神分裂症 (SZ).
- 为了利用深度学习和波形变换来改进SZ检测.
- 提供可靠的工具,以协助医疗专业人员进行SZ诊断.
主要方法:
- 使用离散波段转换 (DWT) 将EEG信号分解为子频段并提取特征.
- 探索了各种DWT设置,确定7级分解的Daubechies (db4) 波段是最优的.
- 采用多层感知神经网络 (MLP) 来对SZ患者和健康对照人群 (HC) 进行分类.
主要成果:
- 拟议的系统实现了高分类准确率:数据集-1 (DS1) 的99.61%和数据集-2 (DS2) 的99.12%.
- 该方法与现有的最先进的SZ检测技术相比,表现出更高的性能.
- 在两个公共数据集上验证,共包含109个记录 (46个HC和63个SZ).
结论:
- 开发的基于深度学习和波形变换的系统提供了使用EEG信号进行SZ检测的可靠和准确的方法.
- 这种自动化方法显示出有很大的潜力来支持医生在精神分裂症的临床诊断.
- 这些发现强调了先进的信号处理和机器学习在精神疾病检测中的有效性.


