1 of 27

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения

Автор - Рабинович Эрнест Ильич

Научный консультант - Антюфриева Любовь

Курс: «Нейронные сети и их применение в научных исследованиях»

2 of 27

Нарушение прогностического кодирования при шизофрении

Нарушение точности нисходящих прогнозов

Дизрегуляция салиенса

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

3 of 27

Данные

Схема предъявления стимулов

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

4 of 27

Данные

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

5 of 27

Выделение признаков

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

PeakToPeak Amplitude

ERP 80% dev - ERP 80% st

ERP 50% dev - ERP 50% st

6 of 27

Данные

Всего людей 32 (12 - контроль, 20 - пациенты)
Всего признаков 26 (13 отведений х 2 схемы)
Трейн/тест = 0.7/0.3
Оценка на 100 различных разбиениях на трейн/тест
Z стандартизация
Кросс-валидация (4 фолда)

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

7 of 27

Random Forest,
Decision Tree,
Support Vector Machine
Boosting

Модели

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

Подбор гиперпараметров:

Optuna

Multiple Kernel Learning

8 of 27

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

Metric Learning

9 of 27

Fully connected NeuralNet

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

Layer	Type	Numbers of Neurons	Activation	Other parameters
1	Input	-	-	-
2	Dense	64	ReLU	-
3	Dense	128	ReLU	-
4	Dense	256	ReLU	-
5	Dense	128	ReLU	-
6	Dropout	-	-	p = 0.2
7	Dense	64	ReLU	-
8	Dense	16	-	-

Test:

Mean = 0.88

std = 0.08

19 of 27

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

	Precision	Recall	F1
Random Forest	0.84	0.87	0.84
Balanced Random Forest	0.85	0.87	0.84
Decision Tree	0.77	0.80	0.76
SVC (polynomial)	0.86	0.88	0.86
SVC (sigmoid)	0.90	0.91	0.89
SVC (linear)	0.85	0.87	0.85
SVC (rbf)	0.86	0.88	0.86
XGBoost	0.82	0.86	0.83

Средняя производительность моделей, оцененная на 100 различных разбиениях на трейн/тест

20 of 27

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

	Precision	Recall	F1
Random Forest	0.9	0.93	0.91
Balanced Random Forest	0.88	0.88	0.86
Decision Tree	0.80	0.85	0.80
SVC (polynomial)	0.90	0.91	0.89
SVC (linear)	0.92	0.92	0.91
SVC (rbf)	0.88	0.89	0.87

Средняя производительность моделей, оцененная на 100 различных разбиениях на трейн/тест, после жадного отбора признаков

21 of 27

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

Shap

22 of 27

MKL

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

Cross-val:

Mean = 0.87,

std = 0.15

Test:

Mean = 0.87

std = 0.09

23 of 27

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

Средняя производительность алгоритма EasyMKL, оцененная на 100 различных разбиениях на трейн/тест

24 of 27

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

Обучение полносвязной нейронной сети с помощью Triplett Loss

25 of 27

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

Получение эмбеддингов по эпохам обучения

26 of 27

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

Средняя производительность классификации эмбеддингов, полученных полносвязной нейронной сетью, с помощью kNN, оцененная на 100 различных разбиениях на трейн/тест

27 of 27

Заключение

Диагностика расстройств шизофренического спектра на основе нейрофизиологических индикаторов процесса антиципации с помощью моделей машинного обучения.

Полученные результаты показывают релевантность используемых данных для целей диагностики шизофрении

Наиболее информативными являются лобно-центральные отведения ЭЭГ

Лучшую точность показывает SVM после жадного отбора признаков