机构名称：
¥ 1.0
使用脑电图增加访问脑信号数据的访问会创造新的机会来研究电生理学大脑活动并进行神经系统疾病的门诊诊断。这项工作提出了一种依靠信号光谱特性的精神分裂症分类的成对距离学习方法。能够处理数量有限的观察结果的临床试验（即案例和/或对照个体），我们提出了一个暹罗神经网络结构，以从每个通道的观测值组合中学习一个歧视性特征空间。通过这种方式，信号的多元顺序用作数据增强的一种形式，进一步支持网络泛化能力。卷积层具有在余弦对比损失下学习的参数，以充分探索从大脑信号中得出的光谱图像。根据静止状态方案的参考临床试验数据对精神分裂症诊断的拟议方法进行了测试，达到0.95±0.05精度，0.98±0.02敏感性和0.92±0.07特异性。结果表明，使用所提出的神经网络提取的特征比基准高于诊断精神分裂症的基础线（准确性和敏感性+20pp），这表明存在能够捕获歧视性神经肿瘤的非琐事电生理大脑模式存在。该代码可在github上找到：https：//github.com/dcalhas/siamese_schizophrenia_eeg。
医学中的人工智能
主要关键词
相关文件推荐
