使用卷积神经网络从静止状态EEG分类强迫症:一个试点研究

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:

• 使用大脑数据识别强迫症 (OCD) 是一个挑战.
• 静止电脑电图 (EEG) 是一种非侵入性,负担得起的神经成像技术.
• 传统的机器学习方法在检测强迫症预测EEG信号方面取得了有限的成功.

研究的目的:

• 探索卷积神经网络 (CNN) 在对强迫症患者进行分类方面的有效性.
• 将CNN的性能与传统的支持向量机 (SVM) 方法进行比较.
• 调查临床和人口统计数据的多模式融合是否提高了分类准确性.

主要方法:

• 收集了20名参与者的静止状态EEG数据 (10名有强迫症,10名健康对照).
• 将4秒的EEG段转换为时间频率表示.
• 训练了一个2D CNN和一个SVM,使用一个离开一个主体的交叉验证框架.

主要成果:

• 在主题级分类中,CNN的准确率达到85.0%,AUC为0.88.
• 在SVM基线执行的机会水平 (45.0%准确率,AUC:0.47).
• 临床和人口统计数据在通过多式联接添加时没有提高分类准确性.

结论:

• 应用于静止状态EEG的CNN显示了识别强迫症的巨大潜力.
• 深度学习可以在神经数据中发现复杂的诊断模式,优于传统方法.
• 用更大,更多样化的样本进行进一步的研究是有必要的,以探索精神病学分类的多式模式.