Red de atención de frecuencia temporal a múltiples escalas basada en imágenes oculares para la detección de la...

Área de la Ciencia:

• La neurociencia
• Ciencias de la computación
• La psiquiatría

Sus antecedentes:

• La depresión es un trastorno mental frecuente con diversos síntomas que afectan el estado de ánimo, la cognición y la fisiología.
• Las imágenes oculares revelan patrones de movimiento ocular distintos en individuos con depresión en comparación con controles sanos.
• Los modelos de aprendizaje profundo existentes, como las redes neuronales convolucionales, tienen limitaciones en la captura de características espaciotemporales complejas a partir de datos de movimiento ocular.

Objetivo del estudio:

• Proponer un nuevo modelo de aprendizaje profundo, MTFNet, para mejorar el reconocimiento de la depresión utilizando imágenes oculares.
• Abordar las limitaciones de los modelos existentes en la captura de características globales y locales a partir de datos secuenciales de movimientos oculares.
• Mejorar la precisión y efectividad de la detección de depresión impulsada por IA.

Principales métodos:

• Desarrolló la Red de Atención de Frecuencia Temporal a Escala Múltiple (MTFNet), integrando la atención de dominio de frecuencia temporal a Escala Múltiple con el Transformador Video Swin.
• Se introdujo el MTFAM (Multi-Scale Temporal-Frequency Attention Module) para enfocarse en las regiones salientes dentro de las imágenes de movimiento ocular.
• Se utilizaron datos secuenciales de imágenes de movimiento ocular para el entrenamiento y la evaluación del modelo MTFNet.

Principales resultados:

• El modelo MTFNet propuesto logró una alta precisión del 76,8% en un conjunto de datos de imágenes de movimiento ocular auto recogidas.
• MTFNet demostró un rendimiento superior en comparación con la mayoría de los modelos de reconocimiento de depresión existentes.
• El modelo capturó efectivamente características cruciales de los datos secuenciales de movimiento ocular, mejorando la comprensión de las estructuras subyacentes.

Conclusiones:

• MTFNet ofrece un enfoque prometedor y novedoso para el reconocimiento de la depresión basado en imágenes de movimiento ocular.
• La integración de la atención de frecuencia temporal de múltiples escalas mejora significativamente la extracción de características de los datos oculares.
• Esta investigación contribuye al desarrollo de herramientas objetivas basadas en la IA para la evaluación de la salud mental.