探索基于EEG的精神分裂症检测的可解释框架中的特定脑叶洞察力
Md Milon Hossain1, Md Nurul Ahad Tawhid1
1Institute of Information Technology, University of Dhaka, Dhaka, Bangladesh.
bioRxiv : the preprint server for biology
|November 19, 2025
概括
这项研究引入了一种使用脑电图 (EEG) 测量谱图和卷积神经网络 (CNN) 来准确检测精神分裂症 (ScZ) 的新框架. 这种方法通过分析大脑叶的活动来提高诊断的解释性,从而达到高准确度.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 精神分裂症 (ScZ) 是一个重大的全球健康挑战,需要改进的诊断工具.
- 目前用于ScZ检测的脑电图 (EEG) 方法缺乏特定的大脑叶生物标志物和可解释性.
- 整合可解释AI (XAI) 对于可靠的医学诊断至关重要.
研究的目的:
- 利用卷积神经网络 (CNN) 开发一种可解释的基于EEG的框架来检测精神分裂症 (ScZ).
- 通过叶片特异性分析,识别用于ScZ诊断的关键大脑区域和生物标志物.
- 提高EEG诊断对ScZ的可信度和临床实用性.
主要方法:
- 脑电图信号被用短时间里埃变换 (STFT) 转化为梅尔光谱图像.
- 用CNN模型对SCZ患者和健康对照人群 (HC) 进行分类.
- 可解释的AI技术 (LIME,SHAP,Grad-CAM) 被整合到结果的解释性中.
主要成果:
- 拟议的框架在两个公共EEG数据集上实现了高分类准确性 (高达99.82%).
- 额叶表现出最高的诊断意义,其次是叶.
- 叶分析显示精度较低,表明在这种情况下,ScZ诊断的相关性降低.
结论:
- 脑电图分析与CNN和Mel光谱相结合,为ScZ检测提供了一种强大,可解释的方法.
- 使用该框架进行脑叶特定分析,为临床指导和诊断提供了宝贵的见解.
- 整合XAI技术显著提高了基于EEG的ScZ诊断的临床适用性和可靠性.
