使用多模式数据诊断精神分裂症,使用EEGNet框架进行分类.
Nandini Manickam1, Vijayakumar Ponnusamy1, Arul Saravanan2
1Department of Electronics and Communication Engineering, School of Electrical and Electronics Engineering, SRM Institute of Science and Technology, Kattankulathur, Chengalpattu 603203, Tamilnadu, India.
Diagnostics (Basel, Switzerland)
|December 11, 2025
概括
这项研究引入了一个新的EEGNet框架,使用多式联络数据来准确诊断精神分裂症. 该系统实现了高准确度,精度和回忆,为早期检测和改善患者结果提供了一个有前途的工具.
科学领域:
- 神经科学和人工智能 人工智能
- 临床心理学和精神病学 临床心理学和精神病学
背景情况:
- 全球日益增加的压力和情绪困难导致严重的精神障碍,如精神分裂症.
- 精神分裂症呈现复杂的正面,负面和认知症状,使诊断和治疗复杂化.
- 准确和早期诊断精神分裂症对于有效的干预至关重要.
研究的目的:
- 开发一种系统,使用多式联络数据识别精神分裂症症状严重程度.
- 使用先进的EEGNet框架对精神分裂症患者进行分类.
- 将电生理学数据与行为和情感线索相结合,以提高诊断准确度.
主要方法:
- 收集多式联络数据,包括面部表情,语音信号和14通道电脑电图 (EEG) 记录.
- 使用了经过验证的评估工具:积极和消极症状量表 (PANSS),简短的消极症状量表 (BNSS) 等.
- 使用照片诱导和虚拟现实 (VR) 刺激来捕捉患者的反应.
- 开发了一种新的方法,将规范化的多式联网功能融合到EEGNet架构中.
主要成果:
- 在健康个体中,EEGNet模型表现出了卓越的性能,准确度为0.99,精度为0.99,回忆力为0.98,F1得分为0.99.
- 对于精神分裂症患者,该模型实现了0.98精度,0.99回忆和0.99F1分数.
- 该系统在曲线下的接收器运行特征区域 (ROC AUC) 达到了大约0.9989.
结论:
- 开发的多式联通EEGNet系统对准确的精神分裂症诊断有显著的前景.
- 将EEG数据与其他模式集成,可以提高分类性能.
- 这种方法为精神分裂症的诊断工具提供了潜在的进步.
更多相关视频
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
11.4K
08:23A Multimodal Imaging- and Stimulation-based Method of Evaluating Connectivity-related Brain Excitability in Patients with Epilepsy
Published on: November 13, 2016
11.6K