利用 CNN-LSTM 模型自动诊断 EEG 信号中的精神分裂症
信号处理
2021-12-02 v2 机器学习
摘要
精神分裂症（SZ）是一种精神障碍，由于大脑中特定化学物质的分泌，某些脑区功能失衡，导致思维、行动与情感之间缺乏协调。本研究提供了多种基于智能深度学习（DL）的方法，通过脑电图（EEG）信号自动诊断 SZ。所得结果与常规智能方法进行比较。为实现所提方法，使用了波兰华沙精神病学与神经病学研究所的数据集。首先，将 EEG 信号划分为 25 秒时间帧，然后通过 z-score 或范数 L2 进行归一化。在分类步骤中，考虑了两种不同方法通过 EEG 信号诊断 SZ。此步骤中，首先使用常规机器学习方法（如支持向量机、k-近邻、决策树、朴素贝叶斯、随机森林、极端随机树和装袋法）对 EEG 信号进行分类。随后使用了多种所提出的 DL 模型，即长短期记忆（LSTM）、一维卷积网络（1D-CNN）和 1D-CNN-LSTM。此步骤中，实现了 DL 模型并与不同激活函数进行比较。在所提 DL 模型中，CNN-LSTM 架构性能最佳。该架构中使用了 ReLU 激活函数以及 z-score 和 L2 组合归一化。所提 CNN-LSTM 模型达到了 99.25% 的准确率，优于该领域大多数既往研究的结果。值得一提的是，所有仿真均采用了 k=5 的 k 折交叉验证方法。
引用
@article{arxiv.2109.01120,
title = {Automatic Diagnosis of Schizophrenia in EEG Signals Using CNN-LSTM Models},
author = {Afshin Shoeibi and Delaram Sadeghi and Parisa Moridian and Navid Ghassemi and Jonathan Heras and Roohallah Alizadehsani and Ali Khadem and Yinan Kong and Saeid Nahavandi and Yu-Dong Zhang and Juan M. Gorriz},
journal= {arXiv preprint arXiv:2109.01120},
year = {2021}
}