Integración de la reconstrucción de la fuente cortical y el aprendizaje adversario para la clasificación EEG

Área de la Ciencia:

• La neurociencia
• Inteligencia artificial
• Diagnóstico médico

Sus antecedentes:

• El diagnóstico actual de la depresión se basa en métodos subjetivos, que carecen de objetividad.
• La electroencefalografía (EEG) ofrece una alternativa no invasiva y rentable para la evaluación objetiva de la depresión.
• El análisis EEG existente se enfrenta a desafíos como la conducción de volumen y el desequilibrio de clases, lo que dificulta la precisión del diagnóstico.

Objetivo del estudio:

• Desarrollar un modelo avanzado de aprendizaje profundo para una clasificación precisa y objetiva de la depresión utilizando señales de EEG.
• Para superar las limitaciones del análisis EEG actual, incluidos los efectos de conducción de volumen y el desequilibrio de clase.
• Mejorar la fiabilidad y el rendimiento del diagnóstico de la depresión basado en EEG.

Principales métodos:

• Propuso un modelo de aprendizaje profundo en varias etapas que integra la extracción de características corticales (CFE), la atención de características (FA), la red convolucional de gráficos (GCN) y la adaptación de dominio adversario focal (FADA).
• CFE utilizó la tomografía electromagnética cerebral estandarizada de baja resolución (sLORETA) para la reconstrucción de la señal cortical y la extracción de características.
• FA empleó la autoatención multi-cabeza para una mejor representación de características espaciotemporales, mientras que GCN modeló la conectividad funcional.
• FADA utilizó la pérdida focal y la capa de inversión de gradiente (GRL) para mitigar el cambio de dominio y el desequilibrio de clase.

Principales resultados:

• El modelo propuesto logró una precisión de clasificación del 85,33% en el conjunto de datos PRED+CT.
• Demostró una mejora significativa del 2,16% con respecto a los métodos de última generación existentes.
• Se abordaron efectivamente los efectos de conducción de volumen y los problemas de desequilibrio de clase inherentes a los datos EEG.

Conclusiones:

• El modelo de aprendizaje profundo en múltiples etapas desarrollado muestra una promesa significativa para el diagnóstico objetivo de la depresión a través del EEG.
• La integración de CFE, FA, GCN y FADA mejora efectivamente el rendimiento de la clasificación de la depresión basada en EEG.
• Este enfoque ofrece un método más preciso y confiable para identificar la depresión en comparación con las técnicas actuales.