May, 2023

人工智能在精神分裂症预测和诊断中的作用调查

PDF
TL;DR该综述研究了使用深度学习通过 EEG 信号、功能性磁共振成像 (fMRI) 和扩散磁共振成像 (dMRI) 检测和预测精神分裂症的论文，并对这些研究进行了概述和比较，这一领域取得了重要进展。
machine learninghealthcareschizophreniadeep learningeeg signals
发现论文，激发创造
  • 人工智能在精神分裂症康复管理中的应用：系统文献综述

    该研究系统评估了人工智能在精神分裂症康复管理中的应用现状和前景以及其对康复过程的影响，并提供了有价值的见解和未来研究方向的建议。

    May, 2024

  • 赋能精准医疗：基于脑电图信号的人工智能驱动精神分裂症诊断：2002-2023 年综述

    精神分裂症是一种常见的心理障碍，其诊断涉及临床访谈、体格检查、心理评估、神经影像技术等多种工具；本研究回顾了应用脑电图信号和人工智能方法进行精神分裂症诊断的论文，并介绍了相关的研究领域和挑战。

    Sep, 2023

  • 精准精神病学的机器学习现代视角

    通过将机器学习和神经调节技术与先进的可穿戴和移动技术相结合，提供了广泛的机会来在精确精神病学中提供解释性方案和有效的治疗方法。

    Apr, 2022

  • 使用循环神经网络学习精神分裂症障碍的神经标记

    利用循环卷积神经网络从 4 维功能磁共振成像记录中自动学习有用的表示，旨在利用功能性磁共振成像电影中的空间和时间信息（在全脑像素水平上）识别患有精神分裂症的患者。

    Dec, 2017

  • 利用数字表型学增强临床决策的反事实解释和预测模型 —— 以精神分裂症为例

    本研究提出了一种机器学习系统，通过使用行为数字表型数据预测、检测和解释患有精神分裂症的患者症状的个体变化情况，通过使用变化点算法检测减少的症状，并在模拟持续监测的情况下使用反事实说明作为医疗保健中的纾困措施。

    Jun, 2023

  • 基于可解释深度学习的生成式数据增强方法用于精神分裂症诊断

    利用深度学习技术和脑电图脑记录来自动诊断精神分裂症，其中使用了生成数据增强技术、卷积神经网络进行初始诊断，并使用 Wasserstein GAN with Gradient Penalty (WGAN-GP) 和变分自编码器 (VAE) 产生合成数据集进行扩充，同时使用 LIME 算法解释黑盒模型中最重要的频率。

    Oct, 2023

  • 机器学习和可解释机器学习方法在精神疾病检测应用中的利与弊，具体来说是抑郁症：简要回顾

    COVID-19 疫情迫使人们限制了社交活动，导致精神疾病，特别是抑郁症的增加。为了准确快速地诊断这些疾病并防止严重后果如自杀，机器学习的使用变得越来越重要。此外，为了提供精确可理解的诊断以进行更好的治疗，AI 科学家和研究人员必须开发可解释的基于 AI 的解决方案。本文概述了机器学习和可解释 AI 领域相关文章，旨在帮助理解在精神疾病检测应用中使用 AI 的优势和劣势。

    Nov, 2023

  • 使用脑电图信号预测癫痫发作的机器学习：一篇综述

    这篇论文探讨了如何运用人工智能和机器学习技术，通过对脑电图信号进行分析，提前预测癫痫发作的可能性，从而为临床实践提供支持。

    Feb, 2020

  • 基于社交媒体的可解释人工智能用于精神障碍检测：调查与展望

    通过在线社交媒体进行的人工智能驱动的心理障碍检测与解释性人工智能的最新发展，为精神卫生保健提供了全面的概述，旨在指导研究人员、从业人员和决策者发展心理障碍检测领域。

    Jun, 2024

  • 研究机器学习方法在预测早期阶段的痴呆病稳定性

    本文研究了机器学习算法在预测痴呆症中的稳定性，并发现支持向量机和朴素贝叶斯算法是最稳定的算法，在使用信息增益方法进行特征选择时比主成分分析更有效。

    Sep, 2022