基于脑电图的机器和深度学习方法用于诊断分离性障碍:全面审查

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 人工智能的人工智能

背景情况:

• 分离性障碍 (DD) 是复杂的精神疾病,由于症状重叠,经常被误诊.
• 电脑电图 (EEG) 提供了一种低成本,非侵入性的方法来研究DDs中的神经生理学特征.

研究的目的:

• 系统地审查机器学习 (ML) 和深度学习 (DL) 对EEG数据的应用,以诊断和监测DDs.
• 突出这些人工智能技术在DD研究中的有效性,局限性和未来方向.

主要方法:

• 对使用基于EEG的ML和DL模型进行DD相关数据的研究进行系统审查.
• 分析重点是EEG生物标志物,模型架构 (CNN,RNN),特征类型,性能指标和挑战.

主要成果:

• 深度学习模型,特别是CNN和RNN,通过捕捉复杂的EEG模式,在传统的ML上表现出优越的性能.
• 主要的EEG生物标志物包括改变的正面功率,扰乱的太/阿尔法节奏和减弱的P300元件.
• 基于混合和原始特征的DL方法实现了高分类精度 (高达98.3%).

结论:

• 基于EEG的DL技术为诊断分离性障碍提供了有前途的进展.
• 诸如数据稀缺性,模型解释性和通用性等挑战需要进一步调查.
• 未来的研究应该探索可解释的人工智能,多式联络整合和个性化的EEG生物标志物,以临床应用.