基于GCN的精神分裂症自动识别诊断模型研究

目前基于深度学习的精神分裂症脑网络研究,大多忽略了脑电通道之间的空间拓扑信息。为了解决这个问题,提出一种基于图卷积神经网络的精神分裂症自动识别诊断模型,利用各脑电节点间的相关性构建图结构,与脑网络局部特征一起作为图卷积的输入,并利用卷积核的不同内核大小深入挖掘数据信息。将该方法应用于首发精分数据集,实验结果表明首发精神分裂症患者在Theta频段的识别准确率最高,达到了88.62%,且与其他方法相比取得了更好的识别效果,为精神分裂症的识别诊断提供了一种新的思路和方法。