©PaperWeekly 原创 · 作者|张玮玮
学校|东北大学硕士生
研究方向|情绪识别
引言
论文动机
生理学研究表明精神分裂症(Schizophrenia, SZ)与大脑感觉和额叶区功能障碍有关。患者脑电图(EEG)微观状态呈现前端-中心分布缩短,与记忆障碍相关的 theta 和 gamma 频段脑电图振荡异常。
单个大脑区域功能的中断并不能完全解释 SZ 中观察到的损伤范围。SZ 被认为是一种连接障碍,其特征是在微观和宏观层面上的大脑结构和功能连接网络异常。此外,大多数研究中提出的架构侧重于单一领域的一种连接度量,如用于功能连接的Pearson相关系数,没有考虑大脑网络的连接方向性和拓扑组织。
针对以上两个问题,作者提出基于深度 CNNs 框架来对基于 EEG 的脑连接模式改变进行分类。
论文工作
论文设计了一种新颖的深度 CNN 架构,称为多域连接 CNN (multi-domain connectome CNN, MDC-CNN),它可以融合时域、频域和脑连接网络的拓扑度量对 SZ 患者识别。
首次利用具有大脑区域间信息流动方向性的功能连接(Functional Connectivity, FC)特征,作为 CNN 中 SZ 自动分类的判别特征。利用脑电图中估计的各种定向连通性,以捕获 SZ 中被破坏的大脑网络组织。
作者使用 VAR、PDC、CN 特征和所有三个特征集的融合测量脑电图连接模式,对 SZ 和健康组(healthy control,HC)分类时的卓越性能验证了所提出的 MDC-CNN 有效性。
论文方法
定向脑网络连接特征
1. VAR coefficient
表示 n 通道 T 个时间点头皮脑电图数据。 的 VAR(L) 模型&#x