一个可解释的XAI深度EEG模型用于使用特征选择和注意力机制诊断精神分裂症
Ahmad Almadhor1, Stephen Ojo2, Thomas I Nathaniel3
1Department of Computer Engineering and Networks, College of Computer and Information Sciences, Jouf University, Sakaka, Saudi Arabia.
Frontiers in oncology
|August 6, 2025
概括
这项研究引入了一种自动化方法来诊断精神分裂症,使用脑电图 (EEG) 数据和深度学习. 带有注意力模型的BiLSTM实现了68%的准确性,提供了更易于解释和更有效的诊断工具.
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:
- 精神分裂症的诊断是具有挑战性的,通常依赖于耗时和容易出错的传统方法.
- 感知,行为和认知的异常是精神分裂症的特征,对个人产生重大影响.
研究的目的:
- 开发一种新的自动化技术,使用脑电图 (EEG) 传感器数据来诊断精神分裂症.
- 提高精神分裂症诊断模型的解释性和预测性能.
主要方法:
- 包括DNN,BiLSTM-GRU和BiLSTM with Attention在内的深度学习 (DL) 模型用于从EEG数据中检测精神分裂症.
- 对于类不平衡,SMOTE被使用,F测试特征选择提高了学习效率.
- 使用SHAP和LIME等可解释性工具以及注意力权重来解释BiLSTM-Attention模型的决策.
主要成果:
- 具有注意力机制模型的BiLSTM在从EEG数据中检测精神分裂症的准确率达到68%.
- 特征重要性分析揭示了神经生理学模式,可以区分精神分裂症.
- 该研究证明了DL模型和可解释性工具在促进诊断和神经科学理解方面的实用性.
结论:
- 提出的自动化技术有望提高精神分裂症诊断的准确性和可解释性.
- 将DL与EEG分析集成为临床诊断和精神分裂症神经科学研究提供了有价值的方法.
