提高基于脑电图的创伤后应激障碍治疗反应预测,使用数据增强

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 计算精神病学是一种计算精神病学.

背景情况:

• 由于患者数据有限,预测创伤后应激障碍 (PTSD) 的治疗反应具有挑战性.
• 电脑电图 (EEG) 数据为神经精神疾病提供了潜在的生物标志物,但通常受到小样本大小的影响.
• 深度学习模型需要大量的数据来进行有效的培训和概括.

研究的目的:

• 用电脑电图 (EEG) 数据来提高PTSD患者治疗反应的预测.
• 应用基于变量自编码器 (VAE) 的数据增强 (DA) 技术,以增加EEG数据的数量和多样性.
• 评估基于VAE的DA对深度神经网络 (DNN) 分类器的性能的影响,以预测治疗反应.

主要方法:

• 从被诊断患有PTSD的患者那里收集了EEG光谱图.
• 在原始EEG光谱图上预先训练了一种VAE模型,以生成合成增强数据.
• 使用原始和VAE增强的EEG数据训练了一个DNN分类器,将性能与仅使用原始数据训练的模型进行比较,使用接收器操作特征曲线下的面积 (AUC).

主要成果:

• 用VAE增强的EEG数据训练的DNN模型实现了0.85.5的AUC.
• 这意味着与没有数据增强训练的模型相比,AUC的显著改善为0.11.
• 基于VAE的DA方法显示了增强的分类性能和改进的模型概括性.

结论:

• 基于变量自编码器的数据增强是克服PTSD临床EEG研究数据限制的有效策略.
• 这种方法显著提高了深度神经网络模型在预测治疗反应方面的性能.
• VAE-DA方法为未来基于EEG的神经精神病学研究提供了一个有前途的途径,特别是使用小数据集.