MS-MDDNet：解釈可能な大うつ病性障害のEEGベース診断のための軽量ディープラーニングフレームワーク

科学分野:

• 神経科学
• 計算精神医学
• 生物医学工学

背景:

• 大うつ病性障害（MDD）は、世界的に重大な健康問題です。
• 脳波（EEG）は、MDDの神経パターン検出のための非侵襲的で時間的に正確な方法を提供します。
• EEGベースのMDD検出のための現在の機械学習（ML）およびディープラーニング（DL）アプローチは、複雑さ、過剰適合、および解釈可能性の制限といった課題に直面しています。

研究 の 目的:

• MS-MDDNet、EEGベースのMDD検出を改善するための新しい軽量畳み込みニューラルネットワーク（CNN）モデルを導入すること。
• 診断精度と堅牢性を向上させるためにMS-MDDNetを利用したアンサンブルライクな手法を開発すること。
• 計算効率と解釈可能性に焦点を当てて、既存のDL手法の制限に対処すること。

主な方法:

• MS-MDDNetは、効率的な特徴抽出のために、空間的、時間的、およびデプスワイズ分離可能な畳み込みと平均プーリングを採用しています。
• モデルは、3つの公開EEGデータセットで10倍のクロスサブジェクトクロスバリデーション（CS-CV）を使用して評価されました。
• MS-MDDNetアーキテクチャにアンサンブルライクな戦略が適用されました。

主要な成果:

• MS-MDDNetは、計算量が大幅に少ない最先端のパフォーマンスを達成しました。
• モデルは、MODMAで99.33％、MUMTAZで98.59％、PRED + CTで96.61％と、データセット全体で高い精度を示しました。
• 10倍CS-CVは過剰適合を軽減し、堅牢な一般化を保証しました。

結論:

• MS-MDDNetは、ガンマエネルギーとの相関分析を通じて、EEGベースのMDD診断のための解釈可能なフレームワークを提供します。
• このモデルは、診断の透明性と臨床的信頼性を向上させ、臨床医が自信を持ってMDDを評価するのに役立ちます。
• この軽量で効率的なDLアプローチは、MDD検出を進歩させるための貴重なツールを表します。