Schizophrenia Patient Classification with Long Short-Term Memory Analysis of Electroencephalography Signals
Notice bibliographique
Résumé
Schizophrenia is a severe mental illness, the main symptoms of which include delusions, hallucinations, and cognitive disturbances.This disease can affect the quality of human life.Schizophrenia affects around 24 million people worldwide.This study involved 14 patients with paranoid schizophrenia and 14 healthy controls with 19 channels.This study aims to apply the Long Short-Term Memory (LSTM) method to Electroencephalography (EEG) signals for classifying people with schizophrenia.EEG signal analysis uses a bandpass filter with an interval frequency of 0.5 -45 Hz with a maximum EEG segment duration of 5 seconds with an overlap of 1 second.Feature extraction used is based on Frequency-Domain Features.The data is standardized with a scaler by dividing training, validation, and testing data by 80%, 15%, and 15%, with a random state 42.The dense layer uses one layer LSTM, Dropout of 0.25, and Activation ReLu and Adam optimization.Therefore, the model accuracy is 99.94%.The K-Fold Cross Validation evaluation matrix results for the validation dataset are 98.18%.From the selected model, predictions were made using data testing to obtain an evaluation matrix for the diagnosis of schizophrenia, including a precision of 95%, recall of 93%, F1-score of 94%, and accuracy of 94%.Hence, in this study, it is evident that LSTM demonstrates effectiveness in accurately classifying schizophrenia patients using their brainwave data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».