在EEG数据上使用卷积神经网络检测精神分裂症
Faezeh Norouzi1, Fariba Ghasemi2
1Psychiatry and Behavioral Science, Isfahan University of Medical Science, Isfahan, Iran.
Research square
|November 24, 2025
概括
深层卷积神经网络 (CNN) 显示出使用简单的按调任务的脑电图 (EEG) 数据来检测精神分裂症的潜力. 这种方法可能有助于在个人层面上识别精神分裂症.
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.
- 机器学习在医学中的应用
背景情况:
- 异常的尾随性排泄与精神分裂症有关,其证据是自我生成的声音中听觉响应抑制的减少.
- 研究用于精神分裂症检测的新生物标志物对于早期诊断和干预至关重要.
研究的目的:
- 评估深层卷积神经网络 (CNN) 在使用电脑电图 (EEG) 数据检测精神分裂症方面的有效性.
- 评估在一个基本的按音调任务中训练有素的CNN的单次试验和单个主体检测能力.
主要方法:
- 在三种听觉条件下,从81名参与者 (精神分裂症患者和健康对照) 收集了EEG数据.
- 应用了先进的预处理步骤,包括过,工件去除 (ICA) 和插值.
- 一个2D-CNN模型在最多64个电极的EEG数据上使用Adam优化进行训练.
主要成果:
- 在持久的验证组中,CNN模型实现了0.6265的准确性.
- 关键性能指标包括回忆 (精神分裂症) = 0.578,特异性 = 0.640,精度 = 0.308,和F1得分 = 0.402.
- 该模型在单个试验/受试者层面上,在区分精神分裂症与健康对照方面表现适度.
结论:
- 深层卷积神经网络显示出从EEG数据中检测精神分裂症的工具.
- 这些发现表明,通过CNN分析的简单听觉任务中的EEG模式可能成为精神分裂症的潜在生物标志物.
- 用更大的数据集和精细模型进行进一步的研究是有必要的,以提高诊断准确度.
