Non-Invasive Pre-Diagnosis Implementation of Psychiatric Mental Disorders from EEG Bio-Signal Data Using Ensemble Deep Learning: A Comparative Analysis
Notice bibliographique
Résumé
Studies about detection of psychiatric diseases area have gained higher importance among science, engineering and medical areas.There have been a lot of different and unique types of mental problems/diseases and some of them could be seen very common among people worldwide.There were some ways to analyze and interpretate the mental disorders such as from neuroimages, EEGs and other outputs of radiological types of imaging systems.This research aims analyzing and pre-diagnosis of Alzheimer's disease (AD) and Attention Deficit Hyperactivity Disorder (ADHD) from an open source and publicly available EEG dataset by performing specific ensemble deep learning models to create an automated medical image analysis Computer Aided Diagnosis (CAD) system in detail.In medical area, fundamentally, the current diagnostic methods were time-consuming, subjective and needed detailed knowledge.To address and overcome these limitations, improving the diagnostic procedure in a fast way, we proposed a developed version of pre-diagnosis with using the development of a deep neural network system capable of accurately and efficiently analyzing biological signal data.Moreover, three different deep learning models of ResNet50, VGG19 and InceptionV3 were applied to the three separate mental disease groups and for this phase EEG signals were converted to the spectrogram images and used in detail.The models were extensively trained on the pre-processed image dataset and evaluated using multiple accuracy metrics.To improve diagnostic accuracy and efficiency, the trained models were combined using an ensemble approach and incorporated into an intuitive MATLAB software version.The most remarkable accomplishment of this study was the InceptionV3 model, which attained an impressive 99.47% for AD and ADHD discrimination via bio-medical signal processing.These findings highlight the significant potential for making the models sufficient to pre-diagnose during the clinical progress for neurologists, brain surgery area and other related doctors/clinicians.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».