基于头皮EEG的卷积神经网络组合的强迫症检测

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.