一种基于可解释深度学习的利用生成式数据增强的精神分裂症诊断方法
机器学习
2024-07-18 v2 人工智能
图像与视频处理
摘要
在本研究中，我们利用一种基于深度学习的方法，使用EEG脑电记录对精神分裂症进行自动诊断。该方法利用生成式数据增强——一种可提高诊断准确性的强大技术。为利用时频特征，从原始信号中提取了谱图。在探索若干神经网络架构设置后，使用了一个合适的卷积神经网络（CNN）进行初步诊断。随后，利用带梯度惩罚的Wasserstein GAN（WGAN-GP）和变分自编码器（VAE）生成了两个不同的合成数据集，以增强初始数据集并解决过拟合问题。使用VAE增强的数据集在准确率上实现了3.0%的提升，达到99.0%，并产生了更低的损失值以及更快的收敛。最后，我们使用局部可解释模型无关解释（LIME）算法来解决黑盒模型缺乏信任的问题，以确定诊断过程中最重要的超像素（频率）。
引用
@article{arxiv.2310.16867,
title = {An Explainable Deep Learning-Based Method For Schizophrenia Diagnosis Using Generative Data-Augmentation},
author = {Mehrshad Saadatinia and Armin Salimi-Badr},
journal= {arXiv preprint arXiv:2310.16867},
year = {2024}
}