DCPat-XFE:一种可解释的EEG模型,用于检测心理非发作

科学领域:

• 神经科学是一个神经科学.
• 医学诊断 医学诊断 医学诊断
• 医疗保健中的机器学习

背景情况:

• 心理非发作 (PNES) 由于与发作有相似之处,经常被误诊,因此需要改进诊断工具.
• 电脑电图 (EEG) 对于区分PNES和至关重要,但目前的检测方法有局限性.
• 与的电源源相比,PNES的心理起源需要不同的诊断方法.

研究的目的:

• 引入一种新的可解释特征工程 (XFE) 模型,用于使用EEG检测PNES.
• 策划一个专门的PNESEEG数据集,包括专家对正常的注释,带有口头暗示诱导的PNES (VSP+) 和没有VSP的PNES (VSP-).
• 评估拟议的XFE框架在分类不同EEG模式中的性能和可解释性.

主要方法:

• 开发了一个XFE框架,包括用于特征提取的距离计数模式 (DCPat),用于选择的基于累积权重的邻近组件分析 (CWNCA),用于分类的t-算法k-最近邻近 (tkNN) 与代多数投票 (IMV),以及用于解释的定向游说 (DLob).
• 在四个不同的案例研究中使用了精选的EEG数据集与专家标记的正常,PNES VSP+和PNES VSP-类.
• 使用DLob进行符号解释和皮质连接组映射来解释与PNES相关的EEG模式.

主要成果:

• 在所有四个评估案例中,DCPat XFE框架实现了超过96.5%的准确性.
• 案例2 (正常与PNES VSP) 显示了最高的准确率为99.11%.
• DLob输出提供了清晰的符号解释和连接组图,提高了模型的可解释性.

结论:

• 基于DCPat的新型XFE框架提供了一个高度准确和可解释的方法,用于从EEG数据中检测PNES.
• 该模型能够提供清晰的象征性解释,支持其作为可靠的临床决策支持工具的潜力.
• 这项研究为推进PNES诊断提供了有价值的数据集和强大的方法.