使用卷积神经网络从静止状态EEG分类强迫症:一个试点研究

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.
• 机器学习 机器学习

背景情况:

• 使用大脑数据对强迫症 (OCD) 进行分类是具有挑战性的.
• 静止电脑电图 (EEG) 是一种非侵入性,负担得起的神经成像技术.
• 传统的机器学习方法在预测来自EEG的强迫症方面存在局限性.

研究的目的:

• 研究卷积神经网络 (CNN) 的有效性,用于使用最小处理的EEG时间频率表示来对强迫症进行分类.
• 为了比较CNN的性能与传统的机器学习方法,如支持向量机 (SVM).
• 探索多式联络融合对分类准确性的影响,包括临床和人口统计数据.

主要方法:

• 收集了20名参与者的静止状态EEG数据 (10名强迫症患者,10名健康对照).
• 使用莫莱特波段将EEG段转换为时间频率表示.
• 应用了2D CNN分类器,并进行了离开一个主体的交叉验证,并将其与训练在光谱带功率特征上的SVM进行了比较.

主要成果:

• 在CNN实现82.0%的准确性 (AUC:0.86),显著超过SVM基线 (49.0%的准确性,AUC:0.45).
• 大多数临床变量并没有提高单独超出EEG数据的分类准确度 (80.0%准确度).
• 纳入教育水平提高了分类性能,达到85.0%的准确率 (AUC:0.89).

结论:

• 应用于静止状态EEG的CNN显示了诊断强迫症的巨大潜力,超过了传统方法.
• 深度学习技术对精神病学应用有前途,尽管样本大小有限.
• 教育水平可以作为强迫症分类的有价值的补充特征,在更大的队列中值得进一步研究.