基于脑电熵值特征的青少年精神分裂症识别

摘要

为进一步提升对青少年精神分裂症的识别准确率，提出一种基于脑电熵值特征的青少年精神分裂症自动识别方法。首先将脑电信号分解为Delta、Theta、Alpha、Beta、Gamma 5个常用的节律波段，其次分别提取脑电信号每个节律波段的排列熵、模糊熵和样本熵作为特征，并将脑电熵值特征按照电极和频段顺序构建为特征矩阵，最后设计一种基于高效通道注意力机制模块（ECA）和卷积神经网络（CNN）的ECA-CNN模型对特征矩阵进行分类，完成对青少年精神分裂症的自动识别。结果表明，ECA-CNN模型对病症的识别准确率、敏感性、特异性、精确率、F1分数和Kappa系数分别可以达到99.08%、99.27%、98.85%、99.01%、99.14%和0.981 4，相较于传统的机器学习模型具有更高的识别准确率，为青少年精神分裂症的诊断提供一种新的思路和方法。

关键词

脑电信号 / 青少年 / 精神分裂症 / 熵 / 卷积神经网络