使用基于马尔科夫过渡场和深度学习的EEG信号的特征提取来诊断精神分裂症

科学领域:

• 神经科学和人工智能 人工智能
• 生物医学信号处理

背景情况:

• 通过脑电图 (EEG) 信号诊断精神分裂症是很困难的,因为微妙的信号差异.
• 深度学习模型,特别是那些在图像识别方面取得成功的模型,有可能提高诊断准确度.
• 将1DEEG信号转换为2D表示方便基于图像的分析.

研究的目的:

• 利用EEG数据开发和评估一种新的深度学习方法来诊断精神分裂症.
• 研究马尔科夫过渡场 (MTF) 在将EEG信号转换为2D图像中的有效性.
• 为了对比深度学习管道与传统机器学习管道的性能进行分类.

主要方法:

• 用马尔科夫过渡场 (MTF) 将EEG信号转换为2D图像,以捕捉时间和统计动态.
• 使用预训练的VGG-16模型从生成的二维EEG图像中提取特征.
• 实施了两个分类管道: 1) 支持矢量机 (SVM) 和 2) 使用自动编码器和神经网络的深度学习方法.

主要成果:

• 深度学习管道实现了最高的分类准确率98.51%和100%的回忆.
• 支持矢量机 (SVM) 管道表现出强的性能,最佳精度为96.28%和97.89%的回忆.
• 这项研究使用了莫斯科洛莫诺索夫莫斯科州立大学的开放式精神分裂症EEG数据库.

结论:

• 建议的深度学习方法,采用MTF用于EEG信号转换,对于精神分裂症诊断非常有效.
• 这种方法为神经系统疾病诊断中的模式识别和决策提供了一个仿生策略.
• 高准确度和回忆力表明,在早期诊断精神分裂症方面,临床应用的巨大潜力.