通过可解释的多分支深度学习来增强基于EEG的精神分裂症诊断.

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 精神分裂症的诊断依赖于主观的临床评估,缺乏客观的生物标志物.
• 现有的诊断方法在准确性和早期检测方面面临挑战.

研究的目的:

• 开发一种可靠和可解释的深度学习模型,使用脑电图 (EEG) 数据对精神分裂症进行分类.
• 通过可解释的人工智能技术,识别与精神分裂症相关的潜在神经标记.

主要方法:

• 提出了MBSzEEGNet,这是一个多分支深度学习架构,旨在捕捉静态EEG的复杂振荡和空间光谱特征.
• 在两个独立的精神分裂症EEG数据集上训练并验证了模型.
• 采用基于突出性的模型解释性方法来确定相关的EEG特征.

主要成果:

• 与现有的深度学习模型相比,MBSzEEGNet表现出更高的性能.
• 实现了高主题分类准确度:在一个数据集上高达85.71%,在另一个数据集上高达75.64%.
• 确定了特定的EEG频段 (delta,alpha) 和大脑区域 (时间,右头部) 作为潜在的诊断生物标志物.

结论:

• 集成EEG的可解释的多分支深度学习模型为客观的精神分裂症诊断提供了一个有希望的途径.
• 这些发现为与精神分裂症相关的神经机制提供了洞察力,并支持开发新型生物标志物.