基于EEG的精神分裂症检测,使用的不对称性和CNN-LSTM模型

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:

• 精神分裂症显著损害了现实生活中的功能,其特点是大脑神经活动异常不对称.
• 脑电图 (EEG) 复杂度测量有效捕捉精神分裂症中的神经动态不规则.
• 道间神经不对称性是精神分裂症功能和认知缺陷的关键指标.

研究的目的:

• 开发一种使用EEG进行精神分裂症检测的自动化方法.
• 分析不对称的特征,以区分正常和精神分裂症患者.
• 评估CNN-LSTM分类模型用于精神分裂症诊断的有效性.

主要方法:

• 从跨通道对的EEG频段提取非对称特征图.
• 使用了近似,差异,样本,香农和光谱共发生矩阵输入.
• 使用预训练的Inception-V3 CNN-LSTM模型进行分类.

主要成果:

• 大致和样本 entropies 显示高大小,有效地区分对象.
• 频道间不对称的特征地图产生了高准确度,精度和F1分数.
• 德尔塔频段实现了94.11%的分类准确率和100%的精度.

结论:

• 道间EEG不对称性分析有效地捕捉了精神分裂症的功能变化.
• CNN-LSTM模型在自动化精神分裂症检测方面表现出高性能.
• 这种方法为准确客观地诊断精神分裂症提供了一个有希望的工具.