Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

ROI-guided virtual narrow band imaging for laryngeal cancer screening.

iScience·2026
Same author

TF-MCL: Time-frequency fusion and multi-domain cross-loss for self-supervised depression detection.

Biomedical physics & engineering express·2026
Same author

Penidelanones A-F: furancarboxylic acids from the endophytic fungus <i>Penicillium daleae</i>.

Journal of Asian natural products research·2026
Same author

TrkB promotes the neuronal secretion of soluble Siglec-2 (CD22) to mitigate microglial activation and alleviate depression-like behaviors in male mice.

Molecular psychiatry·2026
Same author

The protein RAB5IF promotes BDNF signaling by stimulating the SUMOylation of Gα<sub>i1/3</sub> to reduce depressive-like behaviors in mice.

Science signaling·2026
Same author

Aflatoxin and Liver Cancer in China: The Evolving Research Landscape.

Toxins·2026

Video Experimental Relacionado

Updated: Sep 10, 2025

Author Spotlight: Therapeutic Benefit of Closed-Loop Deep Brain Stimulation in Depression Treatment
05:19

Author Spotlight: Therapeutic Benefit of Closed-Loop Deep Brain Stimulation in Depression Treatment

Published on: July 7, 2023

2.5K

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

Chen-Yang Xu1, Fei-Yi Fan2, Li-Xuan Zhao1

  • 1School of Electrical and Information Engineering, Tianjin University, 300072, Tianjin, China.

Neural networks : the official journal of the International Neural Network Society
|August 27, 2025
PubMed
Resumen

Este estudio introduce un nuevo modelo de IA para detectar el trastorno depresivo mayor (TDM) utilizando datos de electroencefalograma (EEG). El modelo TFST-SDKA mejora la precisión al centrarse en las características de frecuencia y la alineación de subdominios para una mejor generalización.

Palabras clave:
Atención a la frecuenciaDetección de MDDAlineación de conocimientos de subdominio (SDKA)Transformador temporal-frecuencia-espacial (TFST, por sus siglas en inglés)

Más Videos Relacionados

Automatic Detection of Highly Organized Theta Oscillations in the Murine EEG
09:35

Automatic Detection of Highly Organized Theta Oscillations in the Murine EEG

Published on: March 10, 2017

9.3K
Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging
11:28

Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging

Published on: June 30, 2018

11.8K

Videos de Experimentos Relacionados

Last Updated: Sep 10, 2025

Author Spotlight: Therapeutic Benefit of Closed-Loop Deep Brain Stimulation in Depression Treatment
05:19

Author Spotlight: Therapeutic Benefit of Closed-Loop Deep Brain Stimulation in Depression Treatment

Published on: July 7, 2023

2.5K
Automatic Detection of Highly Organized Theta Oscillations in the Murine EEG
09:35

Automatic Detection of Highly Organized Theta Oscillations in the Murine EEG

Published on: March 10, 2017

9.3K
Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging
11:28

Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging

Published on: June 30, 2018

11.8K

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.