Early Detection of Schizophrenia Using EEG Signals Based on CNN and CNN–LSTM Deep Learning Models
Deze studie toont aan dat een hybride CNN–LSTM deep learning-model een standalone CNN aanzienlijk overtreft bij het detecteren van schizofrenie uit rusttoestand-EEG-signalen, waarbij een nauwkeurigheid van 92,03% wordt bereikt en de waarde van het integreren van temporele sequentieleer voor objectieve diagnose wordt benadrukt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Het menselijk brein is een uitgestrekt, gonzend netwerk van elektrische activiteit, dat voortdurend verschuift terwijl we denken, voelen en de wereld waarnemen. Decennialang hebben wetenschappers geprobeerd naar dit gezoem te luisteren om te begrijpen wat er misgaat wanneer mentale gezondheidsstoornissen toeslaan. Een dergelijke stoornis, schizofrenie, is een ernstige conditie die de manier waarop iemand de werkelijkheid ziet verandert, wat vaak leidt tot hallucinaties of verward denken. Momenteel diagnosticeren artsen deze ziekte grotendeels door naar patiënten te luisteren die hun ervaringen beschrijven en door hun gedrag te observeren, een proces dat zwaar leunt op menselijk oordeel en soms de vroegste tekenen van problemen kan missen. Om een meer objectieve manier te vinden om de ziekte vroegtijdig op te sporen, hebben onderzoekers zich gericht op elektro-encefalografie, of EEG. Deze techniek houdt in dat er kleine sensoren op de hoofdhuid worden geplaatst om de elektrische signalen van het brein op te nemen. In tegenstelling tot dure scans die foto's maken van de hersenstructuur, legt EEG de snelle, dynamische ritmes van het brein in realtime vast, wat een venster biedt op de elektrische stormen die schizofrenie zouden kunnen karakteriseren.
In een recente studie hebben onderzoekers van de Universiti Teknologi Malaysia onderzocht of zij een computer konden leren om deze elektrische patronen automatisch te herkennen. Ze werkten met een collectie hersengolfopnames van 81 mensen: 4àng 49 die de diagnose schizofrenie hadden gekregen en 32 die gezond waren. Het team wilde twee verschillende soorten computerprogramma's testen, bekend als deep learning-modellen, om te zien welke er beter onderscheid kon maken tussen de twee groepen. Het eerste model was ontworpen om naar specifieke vormen en patronen in de hersengolven te kijken, vergelijkbaar met een camera die randen in een foto identificeert. Het tweede model was een complexer hybride model dat niet alleen naar deze vormen keek, maar ook aandacht besteedde aan de volgorde waarin de signalen arriveerden, waardoor het begreep hoe de hersenactiviteit in de loop van de tijd veranderde.
De onderzoekers begonnen met het opschonen van de ruwe data. De oorspronkelijke opnames zaten vol ruis van spierbewegingen en omgevingsinterferentie, dus ze filterden de ongewenste statische elektriciteit eruit en pasten de signaalsterkte aan om de data uniform te maken. Vervolgens voedden ze deze schoongemaakte informatie aan de twee computerprogramma's. Het eerste programma, dat zich alleen richtte op de ruimtelijke patronen van de signalen, slaagde erin de juiste groep te identificeren met een AUC van 0,73. Het was redelijk goed in het herkennen van gezonde hersenen, maar had moeite met het correct identificeren van de mensen met schizofrenie; het model identificeerde slechts 46,78% van de patiënten met schizofrenie correct, terwijl 53,22% ten onrechte als gezond werd geclassificeerd. Dit suggereerde dat hoewel het programma de "vorm" van de hersengolven kon zien, het iets cruciaals miste over hoe die golven bewogen en evolueerden.
Het tweede programma, dat patroonherkenning combineerde met een begrip van tijd, presteerde aanzienlijk beter. Door niet alleen te leren hoe de signalen eruitzagen, maar ook hoe ze seconde na seconde ontvouwden, bereikte dit model een AUC van meer dan 0,92. Het identificeerde ongeveer 91 procent van de mensen met schizofrenie correct en bijna 90 procent van de gezonde individuen. De resultaten toonden aan dat de timing van de elektrische activiteit van het brein vitale aanwijzingen bevat die statische momentopnames missen. De studie concludeerde dat het hybride model veel betrouwbaarder was, met een succespercentage dat bijna 20 procentpunten hoger lag dan dat van het eenvoudigere model.
Deze bevindingen suggereren dat de sleutel tot het detecteren van schizofrenie via hersengolven ligt in het begrijpen van het verhaal dat de signalen over tijd vertellen, en niet alleen in het plaatje dat ze op een enkel moment creëren. Hoewel de onderzoekers opmerkten dat hun dataset relatief klein was en dat er meer testen met grotere groepen nodig zijn voordat deze methode in ziekenhuizen kan worden gebruikt, bieden de resultaten een veelbelovend pad voorwaarts. Ze geven aan dat door computers te leren luisteren naar het ritme van het brein, we binnenkort een krachtig, objectief instrument kunnen hebben om artsen te helpen deze moeilijke stoornis eerder en nauwkeuriger te vangen dan ooit tevoren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.