通过预训练深度学习模型与单通道睡眠阶段数据来改善基于多通道原始电脑图的重大抑郁症诊断
Charles A Ellis1, Abhinav Sattiraju1, Robyn L Miller1
1Tri-institutional Center for Translational Research in Neuroimaging and Data Science: Georgia State University, Georgia Institute of Technology, Emory University, Atlanta, GA 30303 USA.
bioRxiv : the preprint server for biology
|July 3, 2023
概括
转移学习增强了深度学习模型,用于使用原始电脑电图 (EEG) 数据来诊断严重抑郁症. 这种方法可以提高小型数据集的分类准确性,为更可靠的EEG分析铺平道路.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 在原始电脑电图 (EEG) 中深度学习的应用越来越多.
- 开发用于小型原始EEG数据集的深度学习模型具有挑战性.
- 转移学习为提高模型性能提供了一个潜在的解决方案.
结论:
- 该研究在原始静止状态EEG分类方面取得了重大进展.
- 这种方法有可能在各种原始EEG数据集中扩大深度学习的应用.
- 这项工作可能会导致开发更强大,更可靠的基于EEG的诊断分类器.
