SwiftBrainNet：利用短静息态脑电图助力帕金森病和精神分裂症早期诊断

研究人员开展用 SwiftBrainNet 分类帕金森病和精神分裂症的研究，结果提升诊断准确性，意义重大。

　　及时识别帕金森病（Parkinson’s disease）和精神分裂症（schizophrenia）对于有效管理疾病、提高患者生活质量至关重要。脑电图（electroencephalogram，EEG）监测应用在诊断各类脑部疾病方面已被证明十分有用。以往研究大多依赖于不同疾病相关生理变化的先验知识，通过特征提取来判断脑部状况。本研究引入了 SwiftBrainNet，这是一种用于利用短静息态脑电图片段对帕金森病和精神分裂症进行分类的神经网络。SwiftBrainNet 旨在尽量减少对人工特征提取的依赖，仅依靠短脑电图片段。它作为一种单输入、双输出的神经网络，融入了由辅助解码器实现的深度监督机制，通过引导网络提取浅层特征，提升了分类性能。本研究开展了一项面向临床应用的实验，采用连续多段脑电图投票分类法。实验表明，与留一法交叉验证（leave-one-out cross-validation，LOOCV）相比，该方法准确率有显著提升，尤其是结合数据增强技术时。这些发现突出了该方法在临床环境中的实用价值，持续的数据帧和跨受试者增强的泛化能力能显著提高诊断准确率。此外，在使用极短数据片段进行受试者相关分类时所观察到的高准确率表明，SwiftBrainNet 可能捕捉到了受试者特定的脑电图模式，进一步探索这一点或能增强与疾病相关的特征学习。本文为使用短期脑电图数据进行神经诊断应用提供了新证据，使 SwiftBrainNet 成为神经疾病早期检测的一个有前景的工具。