A fused power spectrum based feature selection to identify schizophrenia from EEG signals using deep learning models: an experimental study
Notice bibliographique
Résumé
The brain, a complex and important organ in the human body, is crucial for all our body processes. For the diagnosis and ongoing monitoring of a wide spectrum of brain disorders, accurate and early detection of the proper disorder from neurophysiological monitoring methods is essential. The importance of identification of disorders like Schizophrenia in clinical practice is examined in this research, along with the difficulties in attaining accurate results, particularly when working with small structures and precise details. A novel pre-processing methodology in this stream has been implemented for further feature and knowledge extraction and subsequent image generation. With their ability to automatically extract pertinent features from input images, CNN has made a significant advancement in the domain of image classification. This study presents and investigates in details the effect of our pre-processing on various well-known CNN based architectures. Various models like DenseNet, ResNet, MobileNet, NasNet, EfficientNet and ConvNext families along with Xception, InceptionV3 and InceptionResNetV2 models have been taken into consideration. These models have become optimal approaches to various classification tasks, each providing certain benefits and addressing particular difficulties. We have conducted this research on EEG data from a standard dataset, namely, IBIB PAN - Department of Methods of Brain Imaging and Functional Research of Nervous System dataset. This study presents a thorough review of the performance of different CNN based models and their variants on our preprocessed and generated images. On comparison with state-of-the-art results we have observed that using this approach, almost all our models have exceeded the same. Medical professionals and researchers can use the outcomes of these techniques for better diagnosis and treatment planning in the field of brain disorders. Our codes will be made available at:
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».