The increasing access to brain signal data using electroencephalography creates new opportunities to study electrophysiological brain activity and perform ambulatory diagnoses of neurological disorders. This work proposes a pairwise distance learning approach for schizophrenia classification relying on the spectral properties of the signal. To be able to handle clinical trials with a limited number of observations (i.e. case and/or control individuals), we propose a Siamese neural network architecture to learn a discriminative feature space from pairwise combinations of observations per channel. In this way, the multivariate order of the signal is used as a form of data augmentation, further supporting the network generalization ability. Convolutional layers with parameters learned under a cosine contrastive loss are proposed to adequately explore spectral images derived from the brain signal. The proposed approach for schizophrenia diagnostic was tested on reference clinical trial data under resting-state protocol, achieving 0.95 ± 0.05 accuracy, 0.98 ± 0.02 sensitivity and 0.92 ± 0.07 specificity. Results show that the features extracted using the proposed neural network are remarkably superior than baselines to diagnose schizophrenia (+20pp in accuracy and sensitivity), suggesting the existence of non-trivial electrophysiological brain patterns able to capture discriminative neuroplasticity profiles among individuals. The code is available on Github: https://github.com/DCalhas/siamese_schizophrenia_eeg.

使用脑电图越来越多地访问大脑信号数据，为研究脑电生理活动和对神经系统疾病进行门诊诊断创造了新的机会。这项工作提出了一种基于信号频谱特性的成对距离学习方法，用于精神分裂症分类。为了能够处理具有有限数量观察（即病例和/或对照个体）的临床试验，我们提出了一种连体神经网络架构，以从每个通道的成对观察组合中学习判别特征空间。这样，将信号的多元阶数作为数据增强的一种形式，进一步支持了网络泛化能力。提出了具有在余弦对比损失下学习的参数的卷积层，以充分探索源自大脑信号的光谱图像。建议的精神分裂症诊断方法在静息状态协议下的参考临床试验数据上进行了测试，达到了 0.95 ± 0.05 的准确度、0.98 ± 0.02 的灵敏度和 0.92 ± 0.07 的特异性。结果表明，使用所提出的神经网络提取的特征在诊断精神分裂症方面明显优于基线（准确度和灵敏度为 +20pp），这表明存在能够捕捉个体间区别性神经可塑性特征的非平凡脑电生理模式。代码可在 Github 上获得：https://github.com/DCalhas/siamese_schizophrenia_eeg。建议的精神分裂症诊断方法在静息状态协议下的参考临床试验数据上进行了测试，达到了 0.95 ± 0.05 的准确度、0.98 ± 0.02 的灵敏度和 0.92 ± 0.07 的特异性。结果表明，使用所提出的神经网络提取的特征在诊断精神分裂症方面明显优于基线（准确度和灵敏度为 +20pp），这表明存在能够捕捉个体间区别性神经可塑性特征的非平凡脑电生理模式。代码可在 Github 上获得：https://github.com/DCalhas/siamese_schizophrenia_eeg。建议的精神分裂症诊断方法在静息状态协议下的参考临床试验数据上进行了测试，达到了 0.95 ± 0.05 的准确度、0.98 ± 0.02 的灵敏度和 0.92 ± 0.07 的特异性。结果表明，使用所提出的神经网络提取的特征在诊断精神分裂症方面明显优于基线（准确度和灵敏度为 +20pp），这表明存在能够捕捉个体间区别性神经可塑性特征的非平凡脑电生理模式。代码可在 Github 上获得：https://github.com/DCalhas/siamese_schizophrenia_eeg。结果表明，使用所提出的神经网络提取的特征在诊断精神分裂症方面明显优于基线（准确度和灵敏度为 +20pp），这表明存在能够捕捉个体间区别性神经可塑性特征的非平凡脑电生理模式。代码可在 Github 上获得：https://github.com/DCalhas/siamese_schizophrenia_eeg。结果表明，使用所提出的神经网络提取的特征在诊断精神分裂症方面明显优于基线（准确度和灵敏度为 +20pp），这表明存在能够捕捉个体间区别性神经可塑性特征的非平凡脑电生理模式。代码可在 Github 上获得：https://github.com/DCalhas/siamese_schizophrenia_eeg。