使用EEGNet提高精神分裂症诊断效率:基于γ频段特征的简化识别模型

科学领域:

• 神经科学是一个神经科学.
• 计算精神病学是一种计算精神病学.
• 生物医学工程 生物医学工程

背景情况:

• 精神分裂症 (SCZ) 诊断依赖于临床评估,缺乏客观生物标志物.
• 脑电图 (EEG) 信号提供了一个对大脑活动的非侵入性窗口.
• 脑电图中的马 (γ) 波活动已经显示出与SCZ相关的认知过程的神经相关的潜力.

研究的目的:

• 利用EEG信号和深度学习开发一个客观有效的SCZ诊断模型.
• 利用 γ 波活动作为一种特定的生物标志物来提高诊断准确性和模型效率.
• 为了减少模型的复杂性和提高训练速度,以便在实际临床应用中.

主要方法:

• 采用了EEGNet深度学习架构,优化了简化功能工程.
• 使用静止状态EEG记录,重点是提取γ带特征.
• 通过Leave-One-Subject-Out交叉验证 (LOSOCV) 来进行强大的模型评估,比较SCZ患者和健康对照 (HC).

主要成果:

• γ频段特征模型实现了高识别准确率:SCZ的98.19%,HC的97.24%.
• 该模型显示,训练时间显著缩短,表明计算效率提高.
• 这些结果表明,一个强大而高效的分类过程适合大规模数据集.

结论:

• γ频段特征是基于EEG的SCZ诊断的有效生物标志物.
• 拟议的深度学习模型提供了高精度和提高了培训效率.
• 这种方法作为SCZ的客观临床诊断工具具有重大潜力.