从脑电图信号中检测精神分裂症,使用图像编码和基于封装的深度特征选择方法

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 精神分裂症是一种严重的精神疾病,影响认知和感知,影响全球约1%的人口.
• 早期诊断和治疗至关重要,但确切的原因仍然难以捉摸,需要先进的诊断工具.
• 电脑电图 (EEG) 提供高时间分辨率,用于检测与精神分裂症相关的微妙大脑活动变化.

研究的目的:

• 开发和验证一种使用EEG信号检测精神分裂症的新,高度准确的框架.
• 利用深度学习和转移学习来实现自动化特征提取和改进诊断性能.
• 与传统方法相比,提高精神分裂症检测的效率和准确性.

主要方法:

• 提出了一个三个阶段的框架,首先是将EEG信号编码成 Skalogram 图像.
• 预先训练有素的深度学习模型与转移学习被用于从EEG图像中提取特征.
• 引入了基于平均减去封装的特征选择方法,以减少不相关的特征.

主要成果:

• 拟议的框架实现了特殊的准确性,在MSU上达到99.67%. 在RepOD数据集上,这一比例为99.97%,在RepOD数据集上为99.97%.
• 该方法在两种测试数据集上都显示出高于最先进的结果的性能.
• 自动化特征选择显著提高了精神分裂症检测的速度和准确性.

结论:

• 开发的三阶段框架提供了一个非常准确和高效的方法来通过EEG信号检测精神分裂症.
• 深度学习和转移学习,结合创新的特征选择,显示出对推进神经系统疾病诊断的重大前景.
• 这种方法为改善精神分裂症的早期发现和管理提供了有价值的工具.