Investigate Schizophrenia Classification Based on EEG Electrode Reduction Using Machine Learning Techniques
Notice bibliographique
Résumé
Schizophrenia is a mental disorder condition that causes patients to become distracted from reality.Over time, the patient loses his cognitive and social abilities to communicate with the outside world.Due to machine learning's strong ability to analyze complicated brain data, it has become an increasingly important tool in recent years.This study considers the brain's neurologic signals in the resting state in two scenarios to classify schizophrenia disease by electroencephalography (EEG).The performed scenarios were to investigate the impact of selecting electrodes randomly (5 electrodes and 8 electrodes) and comparing it with applying the principal component analysis (PCA), utilizing four algorithms to extract features: Fast Fourier Transform (FFT), Approximate Entropy (ApEn), Log Energy Entropy (LogEn), and Shannon Entropy (ShnEn).We used publicly available datasets with 19 EEG channels consisting of two classes, which are schizophrenia and health control, using a onesecond epoch window size.We applied a band-pass filter to decompose the EEG signals into five sub-bands.Also, the L2-normalization method has been applied to the derived features, which positively impacted the outcomes.The features were applied to three classifiers named K-nearest neighbor (KNN), support vector machine (SVM), and quadratic discriminant analysis (QDA).From all the scenarios, the five-electrode with random selection showed remarkable results of 99% using the SVM classifier in all evaluation metrics with LogEn+ Bandpass features.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».