基于多域连接组卷积神经网络的精神分裂症 EEG 脑连接网络分类
机器学习
2020-04-27 v1 计算机视觉与模式识别
神经元与认知
机器学习
摘要
我们利用脑功能连接中的改变模式作为特征，对神经精神类患者进行自动判别分析。深度学习方法近期才被引入基于 fMRI 的功能网络分类，且所提架构本质上聚焦于单一类型的连接度量。我们提出了一种深度卷积神经网络（CNN）框架，用于精神分裂症（SZ）中基于脑电图（EEG）的脑连接组分类。为捕捉 SZ 中受损连接的互补方面，我们探索了多种连接特征的组合，包括基于向量自回归模型与偏定向相干的有效连接的时域和频域度量，以及网络拓扑的复杂网络度量。我们设计了一种新颖的多域连接组 CNN（MDC-CNN），基于一维和二维 CNN 的并行集成，使用不同的融合策略整合来自各域与各维度的特征。多个卷积层从 EEG 连接中学习到的层次化潜在表示揭示了 SZ 与健康对照（HC）之间明显的组间差异。在一个大型静息态 EEG 数据集上的结果表明，所提 CNN 显著优于传统支持向量机分类器。结合连接特征的 MDC-CNN 进一步比使用单一特征的单域 CNN 提升了性能，在决策级融合下取得了 93.06% 的显著准确率。所提 MDC-CNN 通过整合来自多样脑连接描述子的信息，能够准确区分 SZ 与 HC。该新框架有望用于开发 SZ 及其他疾病的诊断工具。
引用
@article{arxiv.1903.08858,
title = {Classification of EEG-Based Brain Connectivity Networks in Schizophrenia Using a Multi-Domain Connectome Convolutional Neural Network},
author = {Chun-Ren Phang and Chee-Ming Ting and Fuad Noman and Hernando Ombao},
journal= {arXiv preprint arXiv:1903.08858},
year = {2020}
}
备注
15 pages, 9 figures