通过 EEG 进行帕金森病分类：只需一个卷积层

在这项工作中，我们介绍了 LightCNN，一种极简的卷积神经网络（CNN）架构，用于基于脑电图（EEG）数据的帕金森病（PD）分类。LightCNN 的优势在于其简洁性，仅使用一个卷积层。秉承列奥纳多·达·芬奇“简洁即极致”的原则，LightCNN 证明了实现卓越结果并不需要复杂性。我们将 LightCNN 与几种已知在基于 EEG 的 PD 分类中表现优异的最先进的深度学习模型进行了比较。值得注意的是，LightCNN 在所有复杂架构中表现最佳，与最接近的竞争者相比，精确率提高了 2.3%，召回率提高了 4.6%，AUC 提高了 0.1%，F1 分数提高了 4%，准确率提高了 3.3%。此外，LightCNN 能够识别与 PD 相关的已知病理脑节律，并有效捕捉 EEG 中临床相关的神经生理变化。其简洁性和可解释性使其非常适合部署在资源受限的环境中，例如移动或嵌入式 EEG 系统。这项研究标志着在基于 EEG 的 PD 分类方面迈出了重要一步，证明了一个设计良好的轻量级模型可以超越更复杂的架构。这项工作强调了简约模型在满足现代医疗应用需求方面的潜力，尤其是在资源有限的情况下。