智能脑电图功能工程用于快速心理健康诊断
1Department of Bioelectronics and Biosensors, Alagappa University, Karaikudi-630 003, Tamil Nadu, India; Kerala State Electronics Development Corporation Ltd., Thiruvananthapuram, Kerala, India.
Psychiatry research. Neuroimaging
|December 12, 2025
概括
机器学习准确地识别了用于诊断精神分裂症的脑电图 (EEG) 关键特征. 这种方法改善了早期检测,并支持边缘设备应用程序,如脑计算机接口.
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.
- 生物医学工程 生物医学工程
背景情况:
- 由于复杂,异质的症状,精神分裂症的诊断具有挑战性.
- 早期发现精神分裂症对于有效治疗和改善患者治疗结果至关重要.
- 目前的诊断方法依赖于行为和临床评估,这可能是困难的.
研究的目的:
- 通过机器学习识别相关的脑电图 (EEG) 特征,以改进使用机器学习进行精神分裂症分类.
- 提高诊断精神分裂症的准确性和效率.
- 在一个独立的数据集上验证选定的EEG特征的稳定性和通用性.
主要方法:
- 利用机器学习算法来分析电脑电图 (EEG) 信号.
- 确定并选择了相关的EEG特征子集进行分类.
- 在独立数据集上验证所选特征集以确认性能.
- 应用后勤回归 (LR) 和支持矢量机器 (SVM) 进行分类.
主要成果:
- 通过物流回归实现了高分类准确率94.7%,使用支向量机实现了96.4%.
- 证明,选择的EEG特征提高了诊断准确度,即使数据减少.
- 在独立数据集上证实了特征集的稳定性和通用性.
结论:
- 鉴定到的EEG特征为精神分裂症的检测提供了一个强大而准确的方法.
- 减少数据要求提高了用于检测神经系统疾病的边缘设备的性能.
- 这种方法支持大脑与计算机接口,认知监测和神经反训练方面的进步.
