MMoGCN: Un modelo de red neuronal convolucional de mezcla de puertas múltiples para el reconocimiento de trastornos...

Área de la Ciencia:

• Neurociencia y Psiquiatría Computacional
• Aplicación del aprendizaje profundo en el análisis de señales de electroencefalograma (EEG) para la evaluación del estado mental.

Sus antecedentes:

• Los estados emocionales y los trastornos del estado de ánimo están interconectados, sin embargo, los modelos actuales de aprendizaje profundo a menudo los analizan de forma independiente.
• Los modelos existentes luchan por aprovechar las características compartidas en los datos de EEG tanto para el reconocimiento de emociones como de trastornos del estado de ánimo.
• Esta limitación dificulta una comprensión integral de la compleja interacción entre las emociones y los trastornos del estado de ánimo.

Objetivo del estudio:

• Desarrollar un marco novedoso de aprendizaje profundo basado en EEG para el reconocimiento conjunto de emociones y trastornos del estado de ánimo.
• Explorar las representaciones neuronales compartidas subyacentes a los estados emocionales y los trastornos del estado de ánimo.
• Proporcionar una base para investigar la intrincada relación entre las emociones y los trastornos del estado de ánimo.

Principales métodos:

• Desarrollo de un modelo de red neuronal convolucional de mezcla de expertos de puertas múltiples (MMoGCN).
• Utilización de la Entropía Diferencial (DE) para la extracción robusta de características de señales de EEG.
• Incorporación de un Módulo de Expertos Compartidos Multipuerta (MGSE) y Torres Específicas de Tarea Adaptativas (ATST) con Pérdida de Ponderación Adaptativa (AWL) para el aprendizaje multitarea.

Principales resultados:

• MMoGCN demostró un rendimiento superior en el reconocimiento conjunto de emociones y trastornos del estado de ánimo en comparación con las líneas de base de última generación.
• La validación en el conjunto de datos público DEAP confirmó la escalabilidad y las capacidades de generalización del modelo.
• El estudio identificó con éxito diferencias cognitivas en las respuestas emocionales entre individuos sanos y aquellos con trastornos del estado de ánimo.

Conclusiones:

• El MMoGCN propuesto ofrece un enfoque eficaz de aprendizaje multitarea para el reconocimiento conjunto de emociones y estados clínicos basado en EEG.
• Los hallazgos proporcionan información metodológica para analizar estados mentales complejos utilizando EEG.
• Ofrece orientación potencial para estrategias de rehabilitación cognitiva dirigidas tanto a aspectos cognitivos como emocionales.