Detección de trastornos depresivos mayores mediante transformador temporal-frecuencia-espacial con alineación de...

Área de la Ciencia:

• La neurociencia
• Inteligencia artificial
• Ingeniería biomédica

Sus antecedentes:

• El trastorno depresivo mayor (TDM) afecta significativamente la salud del paciente, lo que requiere métodos de detección precisos.
• Los métodos actuales de detección basados en electroencefalograma (EEG) se enfrentan a desafíos debido a la variabilidad entre sujetos, lo que limita la precisión entre sujetos.
• Los modelos de transformador existentes para la detección de MDD a menudo pasan por alto las características de frecuencia cruciales y la alineación de subdominios en la adaptación del dominio.

Objetivo del estudio:

• Mejorar la precisión y la generalización de la detección de MDD basada en transformadores utilizando datos de EEG.
• Abordar las limitaciones de la adaptación del dominio global mediante la incorporación de características de frecuencia de grano fino y la alineación del subdominio.
• Desarrollar un modelo novedoso que mejore la representación de las características del EEG y alinee las características del dominio de origen y destino de manera efectiva.

Principales métodos:

• Propuso el transformador temporal-frecuencia-espacial (TFST) integrado con la alineación del conocimiento del subdominio (SDKA) para la detección de MDD.
• Implementó SDKA para clasificar los sujetos en subdominios, extrayendo información discriminativa de grano fino para mejorar la generalización.
• Se introdujo un mecanismo de atención de frecuencia (FA) que utiliza la transformación de coseno discreto (DCT) para capturar y combinar información de frecuencia múltiple de las señales EEG.

Principales resultados:

• El modelo TFST-SDKA demostró un rendimiento superior en comparación con los métodos de última generación en los conjuntos de datos MODMA y PRED+CT.
• Logró mejoras de precisión del 1,42% en el conjunto de datos MODMA y del 1,16% en el conjunto de datos PRED+CT.
• El modelo mejoró efectivamente la representación de las características del EEG y la alineación del dominio de origen-objetivo.

Conclusiones:

• El modelo TFST-SDKA propuesto ofrece un avance significativo en la detección de MDD basada en EEG.
• La incorporación de características de frecuencia de grano fino y la alineación de subdominios es crucial para mejorar la generalización del modelo.
• El modelo desarrollado muestra un gran potencial para una aplicación clínica precisa y confiable en el diagnóstico de TDM.