Contributions (abstracts or posters) to medical conferences.
2024
Müllers, Johannes; Krüger, Björn; Schulte-Rüther, Martin
Gesten und Körperbewegungen entschlüsseln - Automatisierte Analyse mit Hilfe von Sensordaten und Methoden des maschinellen Lernens Conference
XXXVIII. DGKJP Kongress 2024, 2024.
@conference{nokey,
title = {Gesten und Körperbewegungen entschlüsseln - Automatisierte Analyse mit Hilfe von Sensordaten und Methoden des maschinellen Lernens},
author = {Johannes Müllers and Björn Krüger and Martin Schulte-Rüther},
year = {2024},
date = {2024-09-19},
booktitle = {XXXVIII. DGKJP Kongress 2024},
abstract = {Hintergrund
Subtile Kopfbewegungen wie Nicken, Kopfschütteln und Kopfneigen sind bedeutende nonverbale Kommunikationssignale während einer therapeutischen Sitzung. Diese Bewegungen können leicht übersehen werden, selbst bei detaillierter Videoanalyse. Die Nutzung von Sensordaten, insbesondere die Erfassung von Beschleunigung und Drehrate mittels Accelerometer und Gyroskop, ermöglicht eine präzise Echtzeitanalyse der Kopfbewegungen.
Methode
Zur Analyse der Sensordaten werden verschiedene Ansätze in Betracht gezogen. Klassische analytische Methoden erlauben eine direkte Auswertung der Beschleunigungs- und Rotationsdaten durch festgelegte Schwellenwerte und Mustererkennung. Graphbasierte Ansätze bieten eine flexible Struktur zur Modellierung der Bewegungssequenzen und deren Beziehungen. Zudem können Methoden des maschinellen Lernens, insbesondere überwachte und unüberwachte Lernverfahren, genutzt werden, um komplexe Bewegungsmuster zu identifizieren und zu klassifizieren. In diesem Vortrag werden die Vor- und Nachteile dieser Ansätze diskutiert und verglichen. Ein besonderer Fokus liegt auf der Echtzeitfähigkeit der Methoden, um eine laufende Annotation der Videos zu gewährleisten.
Ergebnisse
Vorläufige Resultate zeigen die Machbarkeit der Sensordatenanalyse. Erste Untersuchungen belegen, dass die erfassten Daten eine detaillierte Erkennung und Differenzierung von Kopfbewegungen ermöglichen.
Diskussion und Schlussfolgerung
Die bisherigen Ergebnisse zeigen, dass Sensordaten und fortschrittliche Analysemethoden das Potenzial haben, die Erkennung und Annotation von Kopfbewegungen erheblich zu verbessern. Analytische Methoden bieten einfache Implementierungsmöglichkeiten, könnten jedoch gegenüber maschinellen Lernmethoden an Anpassungsfähigkeit verlieren. Maschinelles Lernen bietet höhere Genauigkeit, erfordert jedoch umfangreiche Daten und Trainingszeit. Zukünftige Arbeiten werden sich auf die Verfeinerung und Validierung der Methoden konzentrieren, um eine optimale Balance zwischen Genauigkeit, Echtzeitfähigkeit und praktischer Anwendbarkeit zu finden. Insgesamt zeigt sich, dass die Integration von Sensordatenanalyse in therapeutische Sitzungen die Kommunikation und das Verständnis zwischen Therapeut und Patient verbessern kann.},
keywords = {},
pubstate = {published},
tppubtype = {conference}
}
Hintergrund
Subtile Kopfbewegungen wie Nicken, Kopfschütteln und Kopfneigen sind bedeutende nonverbale Kommunikationssignale während einer therapeutischen Sitzung. Diese Bewegungen können leicht übersehen werden, selbst bei detaillierter Videoanalyse. Die Nutzung von Sensordaten, insbesondere die Erfassung von Beschleunigung und Drehrate mittels Accelerometer und Gyroskop, ermöglicht eine präzise Echtzeitanalyse der Kopfbewegungen.
Methode
Zur Analyse der Sensordaten werden verschiedene Ansätze in Betracht gezogen. Klassische analytische Methoden erlauben eine direkte Auswertung der Beschleunigungs- und Rotationsdaten durch festgelegte Schwellenwerte und Mustererkennung. Graphbasierte Ansätze bieten eine flexible Struktur zur Modellierung der Bewegungssequenzen und deren Beziehungen. Zudem können Methoden des maschinellen Lernens, insbesondere überwachte und unüberwachte Lernverfahren, genutzt werden, um komplexe Bewegungsmuster zu identifizieren und zu klassifizieren. In diesem Vortrag werden die Vor- und Nachteile dieser Ansätze diskutiert und verglichen. Ein besonderer Fokus liegt auf der Echtzeitfähigkeit der Methoden, um eine laufende Annotation der Videos zu gewährleisten.
Ergebnisse
Vorläufige Resultate zeigen die Machbarkeit der Sensordatenanalyse. Erste Untersuchungen belegen, dass die erfassten Daten eine detaillierte Erkennung und Differenzierung von Kopfbewegungen ermöglichen.
Diskussion und Schlussfolgerung
Die bisherigen Ergebnisse zeigen, dass Sensordaten und fortschrittliche Analysemethoden das Potenzial haben, die Erkennung und Annotation von Kopfbewegungen erheblich zu verbessern. Analytische Methoden bieten einfache Implementierungsmöglichkeiten, könnten jedoch gegenüber maschinellen Lernmethoden an Anpassungsfähigkeit verlieren. Maschinelles Lernen bietet höhere Genauigkeit, erfordert jedoch umfangreiche Daten und Trainingszeit. Zukünftige Arbeiten werden sich auf die Verfeinerung und Validierung der Methoden konzentrieren, um eine optimale Balance zwischen Genauigkeit, Echtzeitfähigkeit und praktischer Anwendbarkeit zu finden. Insgesamt zeigt sich, dass die Integration von Sensordatenanalyse in therapeutische Sitzungen die Kommunikation und das Verständnis zwischen Therapeut und Patient verbessern kann.
Subtile Kopfbewegungen wie Nicken, Kopfschütteln und Kopfneigen sind bedeutende nonverbale Kommunikationssignale während einer therapeutischen Sitzung. Diese Bewegungen können leicht übersehen werden, selbst bei detaillierter Videoanalyse. Die Nutzung von Sensordaten, insbesondere die Erfassung von Beschleunigung und Drehrate mittels Accelerometer und Gyroskop, ermöglicht eine präzise Echtzeitanalyse der Kopfbewegungen.
Methode
Zur Analyse der Sensordaten werden verschiedene Ansätze in Betracht gezogen. Klassische analytische Methoden erlauben eine direkte Auswertung der Beschleunigungs- und Rotationsdaten durch festgelegte Schwellenwerte und Mustererkennung. Graphbasierte Ansätze bieten eine flexible Struktur zur Modellierung der Bewegungssequenzen und deren Beziehungen. Zudem können Methoden des maschinellen Lernens, insbesondere überwachte und unüberwachte Lernverfahren, genutzt werden, um komplexe Bewegungsmuster zu identifizieren und zu klassifizieren. In diesem Vortrag werden die Vor- und Nachteile dieser Ansätze diskutiert und verglichen. Ein besonderer Fokus liegt auf der Echtzeitfähigkeit der Methoden, um eine laufende Annotation der Videos zu gewährleisten.
Ergebnisse
Vorläufige Resultate zeigen die Machbarkeit der Sensordatenanalyse. Erste Untersuchungen belegen, dass die erfassten Daten eine detaillierte Erkennung und Differenzierung von Kopfbewegungen ermöglichen.
Diskussion und Schlussfolgerung
Die bisherigen Ergebnisse zeigen, dass Sensordaten und fortschrittliche Analysemethoden das Potenzial haben, die Erkennung und Annotation von Kopfbewegungen erheblich zu verbessern. Analytische Methoden bieten einfache Implementierungsmöglichkeiten, könnten jedoch gegenüber maschinellen Lernmethoden an Anpassungsfähigkeit verlieren. Maschinelles Lernen bietet höhere Genauigkeit, erfordert jedoch umfangreiche Daten und Trainingszeit. Zukünftige Arbeiten werden sich auf die Verfeinerung und Validierung der Methoden konzentrieren, um eine optimale Balance zwischen Genauigkeit, Echtzeitfähigkeit und praktischer Anwendbarkeit zu finden. Insgesamt zeigt sich, dass die Integration von Sensordatenanalyse in therapeutische Sitzungen die Kommunikation und das Verständnis zwischen Therapeut und Patient verbessern kann.
Steininger, Melissa; Perusquıa-Hernández, Monica; Marquardt, Alexander; Otsubo, Hiromu; Lehnort, Marvin; Dollack, Felix; Kiyokawa, Kiyoshi; Kruijff, Ernst; Riecke, Bernhard
Using Skin Conductance to Predict Awe and Perceived Vastness in Virtual Reality Conference
12th International Conference on Affective Computing and Intelligent Interaction, 2024.
@conference{steininger2024,
title = {Using Skin Conductance to Predict Awe and Perceived Vastness in Virtual Reality},
author = {Melissa Steininger and Monica Perusquıa-Hernández and Alexander Marquardt and Hiromu Otsubo and Marvin Lehnort and Felix Dollack and Kiyoshi Kiyokawa and Ernst Kruijff and Bernhard Riecke},
year = {2024},
date = {2024-09-17},
urldate = {2024-09-17},
booktitle = {12th International Conference on Affective Computing and Intelligent Interaction},
abstract = {Awe is an emotion characterized by the perception of vastness and the need to accommodate this vastness into one’s mental framework. We propose an elicitation scene to induce awe in Virtual Reality (VR), validate it through selfreport, and explore the feasibility of using skin conductance to predict self-reported awe and vastness as labeled from the stimuli in VR. Sixty-two participants took part in the study comparing the awe-eliciting space scene and a neutral scene. The space scene was confirmed as more awe-eliciting. A k-nearest neighbor algorithm confirmed high and low-awe score clusters used to label the data. A Random Forest algorithm achieved 65% accuracy (F1= 0.56, AU C= 0.73) when predicting the self-reported low and high awe categories from continuous skin conductance data. A similar approach achieved 55% accuracy (F1= 0.59, AU C= 0.56) when predicting the perception of vastness. These results underscore the potential of skinconductance-based algorithms to predict awe.},
keywords = {},
pubstate = {published},
tppubtype = {conference}
}
Awe is an emotion characterized by the perception of vastness and the need to accommodate this vastness into one’s mental framework. We propose an elicitation scene to induce awe in Virtual Reality (VR), validate it through selfreport, and explore the feasibility of using skin conductance to predict self-reported awe and vastness as labeled from the stimuli in VR. Sixty-two participants took part in the study comparing the awe-eliciting space scene and a neutral scene. The space scene was confirmed as more awe-eliciting. A k-nearest neighbor algorithm confirmed high and low-awe score clusters used to label the data. A Random Forest algorithm achieved 65% accuracy (F1= 0.56, AU C= 0.73) when predicting the self-reported low and high awe categories from continuous skin conductance data. A similar approach achieved 55% accuracy (F1= 0.59, AU C= 0.56) when predicting the perception of vastness. These results underscore the potential of skinconductance-based algorithms to predict awe.
Müllers, Johannes; Greß, Hannah; Haaga, Lisa; Krüger, Björn
Sensorik am Krankenbett – Synchrone Datenakquise für Studien in der Epileptologie Conference
Clinical Epileptology, vol. 37 (Suppl 1), 2024.
@conference{muellers2024,
title = {Sensorik am Krankenbett – Synchrone Datenakquise für Studien in der Epileptologie},
author = {Johannes Müllers and Hannah Greß and Lisa Haaga and Björn Krüger},
doi = {10.1007/s10309-024-00672-x},
year = {2024},
date = {2024-04-18},
urldate = {2024-04-18},
booktitle = {Clinical Epileptology},
issuetitle = {Abstracts zur 62. Jahrestagung der Deutschen Gesellschaft für Epileptologie},
volume = {37 (Suppl 1)},
pages = {1–73},
abstract = {Die Möglichkeit der Anfallserkennung oder -vorhersage außerhalb des Krankenhauses kann die Lebensqualität und das Sicherheitsbedürfnis von Epilepsiepatienten erhöhen. Die Überwachung von Vitalparametern, Bewegungen und weiteren Messgrößen kann von einer Vielzahl von Wearables oder sonstigen neuartigen Sensorsystemen gewährleistet werden. Videoüberwachte EEG-Messplätze dienen als Goldstandard und werden für Studien mit solchen Sensoren genutzt, um Korrelationen festzustellen. Hierbei stellen technische Herausforderungen ein wiederkehrendes Problem dar. Neben der Inbetriebnahme der Sensorsysteme, die ohne informationstechnische Kenntnisse oft nur mit proprietären Mitteln möglich ist, ist insbesondere die Synchronizität zur EEG-Aufzeichnung anspruchsvoll. Aktuelle Vorbereitungen einer Studie mit Eye-Tracker Brillen bieten den Anlass, ein neues System zur Datenakquisition aufzubauen. },
keywords = {},
pubstate = {published},
tppubtype = {conference}
}
Die Möglichkeit der Anfallserkennung oder -vorhersage außerhalb des Krankenhauses kann die Lebensqualität und das Sicherheitsbedürfnis von Epilepsiepatienten erhöhen. Die Überwachung von Vitalparametern, Bewegungen und weiteren Messgrößen kann von einer Vielzahl von Wearables oder sonstigen neuartigen Sensorsystemen gewährleistet werden. Videoüberwachte EEG-Messplätze dienen als Goldstandard und werden für Studien mit solchen Sensoren genutzt, um Korrelationen festzustellen. Hierbei stellen technische Herausforderungen ein wiederkehrendes Problem dar. Neben der Inbetriebnahme der Sensorsysteme, die ohne informationstechnische Kenntnisse oft nur mit proprietären Mitteln möglich ist, ist insbesondere die Synchronizität zur EEG-Aufzeichnung anspruchsvoll. Aktuelle Vorbereitungen einer Studie mit Eye-Tracker Brillen bieten den Anlass, ein neues System zur Datenakquisition aufzubauen.
Marquardt, Alexander; Steininger, Melissa; Trepkowski, Christina; Weier, Martin; Kruijff, Ernst
Selection Performance and Reliability of Eye and Head Gaze Tracking Under Varying Light Conditions Conference
2024 IEEE Conference Virtual Reality and 3D User Interfaces (VR), 2024.
@conference{marquardt2024,
title = {Selection Performance and Reliability of Eye and Head Gaze Tracking Under Varying Light Conditions},
author = {Alexander Marquardt and Melissa Steininger and Christina Trepkowski and Martin Weier and Ernst Kruijff},
doi = {10.1109/VR58804.2024.00075},
year = {2024},
date = {2024-04-15},
urldate = {2024-04-15},
booktitle = {2024 IEEE Conference Virtual Reality and 3D User Interfaces (VR)},
abstract = {Augmented Reality (AR) applications increasingly rely on eye and head gaze tracking for user interaction, with their efficacy influenced by environmental factors such as spatial arrangements and lighting conditions. This paper presents two studies that examine how these variables affect the performance of eye and head gaze tracking in AR environments. While eye tracking partially delivered faster results, its performance exhibited greater variability, especially under dynamic lighting conditions. Conversely, head gaze tracking, while providing more consistent results, showed a notable reduction in accuracy in environments with fluctuating light levels. Furthermore, the spatial properties of the environment had notable implications on both tracking methods. Our research demonstrates that both spatial properties and lighting conditions are key determinants in the choice of a tracking method, underscoring the need for AR systems that can dynamically adapt to these environmental variables.},
keywords = {},
pubstate = {published},
tppubtype = {conference}
}
Augmented Reality (AR) applications increasingly rely on eye and head gaze tracking for user interaction, with their efficacy influenced by environmental factors such as spatial arrangements and lighting conditions. This paper presents two studies that examine how these variables affect the performance of eye and head gaze tracking in AR environments. While eye tracking partially delivered faster results, its performance exhibited greater variability, especially under dynamic lighting conditions. Conversely, head gaze tracking, while providing more consistent results, showed a notable reduction in accuracy in environments with fluctuating light levels. Furthermore, the spatial properties of the environment had notable implications on both tracking methods. Our research demonstrates that both spatial properties and lighting conditions are key determinants in the choice of a tracking method, underscoring the need for AR systems that can dynamically adapt to these environmental variables.
Schulte-Rüther, Martin; Lemken, Johannes; Krüger, Björn; Greß, Hannah; Stroth, Sanna; Kamp-Becker, Inge; Poustka, Luise
Automated annotation and quantification of non-verbal behavior from eye tracking and accelerometer data during live social interaction Conference
Wissenschaftliche Tagung Autismus-Spektrum (WTAS), 2024.
@conference{schulteruether2024,
title = {Automated annotation and quantification of non-verbal behavior from eye tracking and accelerometer data during live social interaction},
author = {Martin Schulte-Rüther and Johannes Lemken and Björn Krüger and Hannah Greß and Sanna Stroth and Inge Kamp-Becker and Luise Poustka},
year = {2024},
date = {2024-03-21},
booktitle = {Wissenschaftliche Tagung Autismus-Spektrum (WTAS)},
keywords = {},
pubstate = {published},
tppubtype = {conference}
}
2023
Krüger, Björn; Weber, Christian; Greß, Hannah; Knaub, Jessica; Pukropski, Jan; Hütwohl, Daniela; Hahn, Kai; Grond, Martin; Jonas, Stephan; Surges, Rainer
Telekonsil zur Verbesserung der Epilepsiediagnostik Conference
Digitalisierung der Gesundheitsversorgung älterer Menschen, 2023.
@conference{krueger2023,
title = {Telekonsil zur Verbesserung der Epilepsiediagnostik},
author = {Björn Krüger and Christian Weber and Hannah Greß and Jessica Knaub and Jan Pukropski and Daniela Hütwohl and Kai Hahn and Martin Grond and Stephan Jonas and Rainer Surges},
year = {2023},
date = {2023-07-01},
urldate = {2023-07-01},
booktitle = {Digitalisierung der Gesundheitsversorgung älterer Menschen},
abstract = {Erfolgreiche Diagnose von Epilepsien bedürfen einer engen Zusammenarbeit von Hausärzt:innen, Kinderärzt:innen und neurologischen und epileptologischen Fachärzt:innen sowie den entsprechenden Fachkliniken. Zusätzlich zu der Expertise der Ärzt:innen ist ein fortlaufender Austausch und die kontinuierliche Anreicherung von Fachwissen von Bedeutung. Neben der frühzeitigen Überweisung an Fachkliniken kann die gemeinsame Fall-begleitende und Klinikübergreifende Aufnahme, der Austausch und die Pflege von Falldokumentationen ein wichtiger Baustein für die langfristige und erfolgreiche Begleitung der Patient:innen sein. },
keywords = {},
pubstate = {published},
tppubtype = {conference}
}
Erfolgreiche Diagnose von Epilepsien bedürfen einer engen Zusammenarbeit von Hausärzt:innen, Kinderärzt:innen und neurologischen und epileptologischen Fachärzt:innen sowie den entsprechenden Fachkliniken. Zusätzlich zu der Expertise der Ärzt:innen ist ein fortlaufender Austausch und die kontinuierliche Anreicherung von Fachwissen von Bedeutung. Neben der frühzeitigen Überweisung an Fachkliniken kann die gemeinsame Fall-begleitende und Klinikübergreifende Aufnahme, der Austausch und die Pflege von Falldokumentationen ein wichtiger Baustein für die langfristige und erfolgreiche Begleitung der Patient:innen sein.
Riedlinger, Dorothee; Krüger, Björn; Sydow, Hanna; Deutschbein, Johannes; Fischer-Rosinský, Antje; Slagman, Anna; Möckel, Martin
Ein Frühwarnsystem für Stürze – Identifikation von sturzgefährdeten Patient:innen durch die kombinierte Analyse von Medikamenten-Verordnungsdaten und Bewegungsprofilen Conference
Digitalisierung der Gesundheitsversorgung älterer Menschen, 2023.
@conference{riedlinger2023,
title = {Ein Frühwarnsystem für Stürze – Identifikation von sturzgefährdeten Patient:innen durch die kombinierte Analyse von Medikamenten-Verordnungsdaten und Bewegungsprofilen},
author = {Dorothee Riedlinger and Björn Krüger and Hanna Sydow and Johannes Deutschbein and Antje Fischer-Rosinský and Anna Slagman and Martin Möckel},
year = {2023},
date = {2023-07-01},
booktitle = {Digitalisierung der Gesundheitsversorgung älterer Menschen},
keywords = {},
pubstate = {published},
tppubtype = {conference}
}
Schulte-Rüther, Martin; Krüger, Björn; Lemken, Johannes; Greß, Hannah; Stroth, Sanna; Kamp-Becker, Inge; Poustka, Luise
2023.
@conference{schulteruether2023,
title = {Automatic Delineation and Classification of Head Movements Using 3D Accelerometer Data from Live Social Interaction},
author = {Martin Schulte-Rüther and Björn Krüger and Johannes Lemken and Hannah Greß and Sanna Stroth and Inge Kamp-Becker and Luise Poustka},
url = {https://cdn.ymaws.com/www.autism-insar.org/resource/resmgr/docs/annualmeeting/insar_2023_full_abstract_boo.pdf, INSAR 2023 Abstract Book (p. 1246)},
year = {2023},
date = {2023-05-06},
urldate = {2023-05-06},
abstract = {Individuals with autism spectrum disorder (ASD) often show reduced non-verbal communication during social interactive encounters, e.g. facial expressions, deictic and communicative gestures, eye gaze. This includes reduced usage and expression of gestures of the head, such as nodding, shaking the head, and head turning. Diagnostic criteria of ASD suggest that reduced non-verbal communicative behavior is an important symptom, but current diagnostic tools are restricted to subjective, clinical evaluation.
While many tools for automatic delineation and classification of facial expressions and gestures from video data are available, less work has been done with respective to the usage of accelerometer sensor data. Considering the current lack of objective, quantitative measures of non-verbal behavior during social interaction, an automated analysis pipeline for movement annotation from accelerometer data would be helpful for both clinical evaluation and research.
},
keywords = {},
pubstate = {published},
tppubtype = {conference}
}
Individuals with autism spectrum disorder (ASD) often show reduced non-verbal communication during social interactive encounters, e.g. facial expressions, deictic and communicative gestures, eye gaze. This includes reduced usage and expression of gestures of the head, such as nodding, shaking the head, and head turning. Diagnostic criteria of ASD suggest that reduced non-verbal communicative behavior is an important symptom, but current diagnostic tools are restricted to subjective, clinical evaluation.
While many tools for automatic delineation and classification of facial expressions and gestures from video data are available, less work has been done with respective to the usage of accelerometer sensor data. Considering the current lack of objective, quantitative measures of non-verbal behavior during social interaction, an automated analysis pipeline for movement annotation from accelerometer data would be helpful for both clinical evaluation and research.
While many tools for automatic delineation and classification of facial expressions and gestures from video data are available, less work has been done with respective to the usage of accelerometer sensor data. Considering the current lack of objective, quantitative measures of non-verbal behavior during social interaction, an automated analysis pipeline for movement annotation from accelerometer data would be helpful for both clinical evaluation and research.
Lemken, Johannes; Krüger, Björn; Stroth, Sanna; Kamp-Becker, Inge; Gail, A.; Poustka, Luise; Schulte-Rüther, Martin
The relationship between eye gaze and engagement in dyadic conversations – a semi-automatic analysis using unobtrusive eye tracking glasses Conference
Wissenschaftliche Tagung Autismus-Spektrum, 2023.
@conference{lemken2023,
title = {The relationship between eye gaze and engagement in dyadic conversations – a semi-automatic analysis using unobtrusive eye tracking glasses},
author = {Johannes Lemken and Björn Krüger and Sanna Stroth and Inge Kamp-Becker and A. Gail and Luise Poustka and Martin Schulte-Rüther},
year = {2023},
date = {2023-03-03},
booktitle = {Wissenschaftliche Tagung Autismus-Spektrum},
keywords = {},
pubstate = {published},
tppubtype = {conference}
}
2022
Daryakenari, Nazila Ahmadi; Setarehdan, Seyed Kamaledin
bioRxiv, 2022.
@conference{nokey,
title = {Classification of Healthy People and Schizophrenics Using Time- Frequency Domain Features Extracted from Electroencephalogram Signals},
author = {Nazila Ahmadi Daryakenari and Seyed Kamaledin Setarehdan},
url = {https://www.researchgate.net/publication/398573114_Classification_of_Healthy_People_and_Schizophrenics_Using_Time-_Frequency_Domain_Features_Extracted_from_Electroencephalogram_Signals},
doi = { https://doi.org/10.64898/2026.04.13.718103},
year = {2022},
date = {2022-12-23},
urldate = {2022-12-23},
publisher = {bioRxiv},
abstract = {Schizophrenia (SZ) is a chronic and complex mental disorder associated with neurobiological deficits. The complexity and heterogeneity of schizophrenia symptoms pose challenges for objective diagnosis, which is currently based on behavioral and clinical manifestations. Furthermore, other psychiatric disorders such as bipolar disorder or major depressive disorder are often misdiagnosed as schizophrenia. Consequently, manual screening through psychiatrist-patient interviews is not entirely reliable. This study aims to develop an automated SZ diagnosis scheme using electroencephalogram (EEG) signals as a complementary tool to assist psychiatrists. A novel method is proposed, utilizing features from time, frequency, and time-frequency domains to classify EEG signals from schizophrenia patients and healthy individuals. Time-domain features, frequency-domain features, as well as nonlinear and statistical features were extracted, and 10 feature combinations were selected based on importance using a hybrid mutual information and Sequential Forward Feature Selection approach. Classification was performed using K-nearest neighbors (KNN), weighted KNN, linear and nonlinear support vector machines (SVM) with radial basis function kernels, decision trees, linear discriminant analysis, and the naive Bayes method. Remarkably, three classifiers achieved 100% accuracy.},
keywords = {},
pubstate = {published},
tppubtype = {conference}
}
Schizophrenia (SZ) is a chronic and complex mental disorder associated with neurobiological deficits. The complexity and heterogeneity of schizophrenia symptoms pose challenges for objective diagnosis, which is currently based on behavioral and clinical manifestations. Furthermore, other psychiatric disorders such as bipolar disorder or major depressive disorder are often misdiagnosed as schizophrenia. Consequently, manual screening through psychiatrist-patient interviews is not entirely reliable. This study aims to develop an automated SZ diagnosis scheme using electroencephalogram (EEG) signals as a complementary tool to assist psychiatrists. A novel method is proposed, utilizing features from time, frequency, and time-frequency domains to classify EEG signals from schizophrenia patients and healthy individuals. Time-domain features, frequency-domain features, as well as nonlinear and statistical features were extracted, and 10 feature combinations were selected based on importance using a hybrid mutual information and Sequential Forward Feature Selection approach. Classification was performed using K-nearest neighbors (KNN), weighted KNN, linear and nonlinear support vector machines (SVM) with radial basis function kernels, decision trees, linear discriminant analysis, and the naive Bayes method. Remarkably, three classifiers achieved 100% accuracy.