急性压力对精神分裂预测机器学习模型可解释性与泛化的影响

引言 精神分裂是一种严重的精神疾病，早期诊断有助于改善预后。其复杂性使得预测发病和病程进展具有挑战性。EEG 作为研究精神分裂的有价值工具，机器学习正在被应用于诊断。本文评估了用于预测精神分裂的 ML 模型准确性，并检验急性压力在 EEG 记录过程中的影响。我们将急性压力预测整合到分析中，表明诸如压力等重叠条件在记录时会负面影响模型准确性。方法 构建了四个 XGBoost 模型：一个用于压力预测，两个用于按静息状态和任务状态分类精神分裂，以及一个用于预测两种条件下的精神分裂的模型。应用 XAI 技术分析结果。实验测试了精神分裂模型的泛化性，使用其数据集中的健康对照者和独立健康筛查对照者。压力模型识别出高压力受试者，他们被排除在后续分析之外。采用一种新方法调整 EEG 频率带功率，以消除压力伪影，显著提高了预测模型的性能。结果 我们的结果表明，急性压力在不同 EEG 会话中存在差异，影响模型的性能和准确性。一旦考虑并在模型训练期间补偿这些变化的压力水平，泛化性就会得到改善。我们的发现突显了在整个过程中进行详尽健康筛查和管理患者状态的重要性。EEG 记录期间或由此引起的压力可能对模型的泛化性产生不利影响。这可能需要通过将压力视为额外的生理伪影来进一步处理数据。我们提出的用于补偿 EEG 数据中压力伪影的方法在预测性能上显著提高。