Early Detection of Schizophrenia Using EEG Signals Based on CNN and CNN–LSTM Deep Learning Models
Diese Studie zeigt, dass ein hybrides CNN–LSTM-Deep-Learning-Modell eine alleinstehende CNN bei der Erkennung von Schizophrenie aus EEG-Signalen im Ruhezustand signifikant übertrifft, wobei eine Genauigkeit von 92,03 % erreicht wird und der Wert der Integration von zeitlicher Sequenzlernfähigkeit für eine objektive Diagnose hervorgehoben wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das menschliche Gehirn ist ein riesiges, summendes Netzwerk elektrischer Aktivität, das sich ständig verändert, während wir denken, fühlen und die Welt wahrnehmen. Seit Jahrzehnten versuchen Wissenschaftler, diesem Summen zuzuhören, um zu verstehen, was schiefläuft, wenn psychische Störungen auftreten. Eine solche Störung, die Schizophrenie, ist eine schwere Erkrankung, die die Art und Weise verändert, wie ein Mensch die Realität sieht, was oft zu Halluzinationen oder verwirrtem Denken führt. Derzeit diagnostizieren Ärzte diese Krankheit weitgehend, indem sie Patienten dabei zuhören, wie sie ihre Erfahrungen beschreiben, und ihr Verhalten beobachten – ein Prozess, der stark auf menschlichem Urteilsvermögen beruht und manchmal die frühesten Anzeichen von Problemen übersehen kann. Um einen objektiveren Weg zu finden, die Krankheit frühzeitig zu erkennen, haben Forscher die Elektroenzephalografie, oder EEG, herangezogen. Diese Technik beinhaltet das Platzieren kleiner Sensoren auf der Kopfhaut, um die elektrischen Signale des Gehirns aufzuzeichnen. Im Gegensatz zu teuren Scans, die Bilder der Gehirnstruktur erstellen, erfasst das EEG die schnellen, dynamischen Rhythmen des Gehirns in Echtzeit und bietet so ein Fenster zu den elektrischen Stürmen, die die Schizophrenie charakterisieren könnten.
In einer kürzlich durchgeführten Studie versuchten Forscher der Universiti Teknologi Malaysia herauszufinden, ob sie einem Computer beibringen könnten, diese elektrischen Muster automatisch zu erkennen. Sie arbeiteten mit einer Sammlung von Gehirnwellen-Aufzeichnungen von 81 Personen: 49, bei denen eine Schizophrenie diagnostiziert worden war, und 32 gesunden Personen. Das Team wollte zwei verschiedene Arten von Computerprogrammen testen, die als Deep-Learning-Modelle bekannt sind, um zu sehen, welches besser zwischen den beiden Gruppen unterscheiden kann. Das erste Modell wurde darauf ausgelegt, nach spezifischen Formen und Mustern in den Gehirnwellen zu suchen, ganz ähnlich wie eine Kamera Kanten in einem Foto identifiziert. Das zweite Modell war ein komplexeres Hybrid, das nicht nur nach diesen Formen suchte, sondern auch darauf achtete, in welcher Reihenfolge die Signale eintrafen, um zu verstehen, wie sich die Aktivität des Gehirns im Laufe der Zeit veränderte.
Die Forscher begannen damit, die Rohdaten zu bereinigen. Die ursprünglichen Aufzeichnungen waren voller Rauschen durch Muskelbewegungen und Umwelteinflüsse, also filterten sie die unerwünschten Störungen heraus und passten die Signalstärke an, um die Daten einheitlich zu gestalten. Dann speisten sie diese bereinigten Informationen in die zwei Computerprogramme ein. Das erste Programm, das sich nur auf die räumlichen Muster der Signale konzentrierte, gelang es, die korrekte Gruppe mit einem AUC von 0,73 zu identifizieren. Es war recht gut darin, gesunde Gehirne zu erkennen, hatte aber Schwierigkeiten, die Menschen mit Schizophrenie korrekt zu identifizieren; das Modell identifizierte nur 46,78 % der Schizophrenie-Patienten korrekt, während 53,22 % fälschlicherweise als gesund eingestuft wurden. Dies deutet darauf hin, dass das Programm zwar die „Form“ der Gehirnwellen sehen konnte, aber etwas Entscheidendes darüber, wie sich diese Wellen bewegten und entwickelten, vermissen ließ.
Das zweite Programm, das Mustererkennung mit einem Verständnis der Zeit kombinierte, schnitt signifikant besser ab. Indem es nicht nur lernte, wie die Signale aussah, sondern auch, wie sie sich Sekunde für Sekunde entfalteten, erreichte dieses Modell einen AUC von über 0,92. Es identifizierte etwa 91 Prozent der Menschen mit Schizophrenie und fast 90 Prozent der gesunden Personen korrekt. Die Ergebnisse zeigten, dass das Timing der elektrischen Aktivität des Gehirns entscheidende Hinweise liefert, die statische Momentaufnahmen verpassen. Die Studie ergab, dass das Hybridmodell weitaus zuverlässiger war, mit einer Erfolgsquote, die fast 20 Prozentpunkte höher lag als die des einfacheren Modells.
Diese Erkenntnisse legen nahe, dass der Schlüssel zur Erkennung von Schizophrenie durch Gehirnwellen darin liegt, die Geschichte zu verstehen, die die Signale im Laufe der Zeit erzählen, und nicht nur das Bild, das sie in einem einzigen Moment erzeugen. Während die Forscher anmerkten, dass ihr Datensatz relativ klein war und weitere Tests mit größeren Gruppen notwendig sind, bevor diese Methode in Krankenhäusern eingesetzt werden kann, bieten die Ergebnisse einen vielversprechenden Weg nach vorn. Sie deuten darauf hin, dass wir, indem wir Computer lehren, dem Rhythmus des Gehirns zuzuhören, bald ein leistungsstarkes, objektives Werkzeug besitzen könnten, um Ärzten zu helfen, diese schwierige Störung früher und genauer als je zuvor zu erfassen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.