JoVE - Journal of Visualized Experiments
JoVE Visualize
Contact Us
这页已由机器翻译。其他页面可能仍然显示为英文。 View in English

基于头皮EEG的卷积神经网络组合的强迫症检测

  • 0Department of Biomedical Engineering and Medical Physics, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
Physical and Engineering Sciences in Medicine +

|

2025年八月28日

|

2025年八月28日

在PubMed上查看摘要

概括

此摘要是机器生成的。

这项研究引入了一种新的深度学习方法,使用脑电图 (EEG) 信号来早期检测强迫症. 一组卷积神经网络 (CNN) 模型在识别强迫症患者方面取得了高准确性.

科学领域

  • 神经科学
  • 人工智能
  • 医疗诊断

背景情况

  • 强迫症 (OCD) 严重影响个人的生活,
  • 早期诊断强迫症对于有效的治疗和治疗至关重要.
  • 目前的诊断方法可能会耗费大量时间,

研究的目的

  • 开发和评估使用脑电图 (EEG) 信号进行强迫症早期诊断的深度学习模型.
  • 将单个预训练的卷积神经网络 (CNN) 模型的性能与整体方法进行比较.
  • 研究基于EEG的强迫症检测转移学习和优化算法的有效性.

主要方法

  • 使用来自强迫症患者的头皮EEG数据.
  • 开发和微调了三种预先训练的CNN模型:EEGNet,Shallow ConvNet和Deep ConvNet.
  • 使用权重多数投票实现了这些CNN模型的组合,权重通过差异进化 (DE) 算法进行了优化.

主要成果

  • 浅 ConvNet 显示出强大的个体性能,准确度为 85.91%.
  • 组合模型取得了卓越的结果,达到87.03%的准确度,82.21%的灵敏度和96.69%的特异性.
  • 拟议的混合模型有效地提取了强迫症的独特特征.

结论

  • 深度学习模型,特别是CNN组合,显示了使用EEG信号对强迫症的早期和准确诊断的重大前景.
  • 转移学习和优化技术提高了基于EEG的系统的诊断能力.
  • 开发的混合模型为临床强迫症查提供了潜在的非侵入性工具.

关键词: