Vergleichende Analyse von Machine Learning und hybriden Deep Learning-Algorithmen zur Schizophrenieerkennung mittels EEG-Signalen

Schizophrenie, eine komplexe psychische Gesundheitsstörung, stellt erhebliche Herausforderungen für eine genaue und effiziente Diagnose dar. Die aktuellen Diagnosemethoden mangeln häufig an der erforderlichen Präzision für frühzeitige Interventionen und basieren auf subjektiven Einschätzungen, die zu verzögerten oder ungenauen Ergebnissen führen können. EEG-Signale haben sich als potenzielle Indikatoren für Schizophrenie herausgestellt, jedoch fehlt es in diesem Bereich an einer umfassenden vergleichenden Analyse von Machine Learning und hybriden Deep Learning-Algorithmen, die speziell für die diagnosebasierte Verwendung von EEG-Signalen entwickelt wurden. Die bestehende Forschungslücke unterstreicht die Notwendigkeit einer systematischen Untersuchung der Wirksamkeit traditioneller Machine Learning-Algorithmen im Vergleich zu hybriden Deep Learning-Ansätzen. Während Machine Learning-Algorithmen auf die Merkmalsextraktion aus EEG-Signalen angewendet wurden, bleibt die potenzielle Verbesserung, die durch die Integration der gehirneffektiven Konnektivität in einen hybriden Deep Learning-Rahmen erreicht wird, untererforscht.