基于EEG的精神病生物标志物:支持矢量机器和深度神经网络的比较性能
Mahdi Naeim1, Mohammad Narimani1
1Department of Psychology, Faculty of Educational Sciences and Psychology,University of Mohaghegh Ardabili, Ardabil, Iran.
Biological psychology
|March 5, 2026
概括
支持矢量机器 (SVM) 在使用脑电图 (EEG) 数据对精神病进行分类时,超过了深度神经网络 (DNN). 非线性和低频EEG特征显示为精神病频谱障碍的生物标志物具有前途.
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:
- 电脑电图 (EEG) 对于识别精神病谱系障碍中的神经异常至关重要.
- 机器学习 (ML) 模型的有效性,特别是深度学习 (DL) 与经典的ML,在精神病的有限样本EEG研究中仍然不清楚.
研究的目的:
- 为了比较支持矢量机器 (SVM) 和深度神经网络 (DNN) 的性能,使用EEG数据进行精神病分类.
- 识别主要的脑电图特征,这些特征可以区分患有精神病和没有精神病的个体.
主要方法:
- 在最后通游戏中利用了43名参与者 (19名患者,24名对照) 的与任务相关的EEG数据.
- 提取了光谱,非线性动力学 (Hjorth参数,,碎形维度) 和功能连接特征.
- 采用5倍交叉验证和夏普利添加式解释 (SHAP) 进行分类和特征重要性分析.
主要成果:
- 与DNN相比,SVM的精度 (89.9%) 和AUC (0.959) 更高 (精度=78.1%,AUC=0.879).
- 非线性特征 (Hjorth复杂度,活动) 和三角形/三角形功率是最重要的区分因素.
- 经典ML在这个小的,功能丰富的数据集上显示了比DL更稳定和可解释的结果.
结论:
- 经典的ML,特别是SVM,在有限的,功能丰富的EEG数据的精神病分类中比DNN更有效.
- 非线性和低频EEG指数是精神病频谱障碍的潜在生物标志物.
- 未来的研究需要更大的多站点数据集,以确认查和监测的概括性和临床实用性.
