AMGCN-L:一个自适应的多时间窗口图形卷积网络,具有长期短期内存,用于抑郁症检测
Han-Guang Wang1, Qing-Hao Meng1, Li-Cheng Jin1
1Tianjin University, Tianjin Key Laboratory of Process Measurement and Control, Institute of Robotics and Autonomous Systems, School of Electrical and Information, Tianjin, People's Republic of China.
Journal of neural engineering
|October 16, 2023
概括
这项研究引入了一种新的深度学习模型AMGCN-L,用于使用电脑电图 (EEG) 信号进行客观抑郁症诊断. 该模型实现了高精度,为临床抑郁症检测提供了有前途的工具.
科学领域:
- 神经科学和人工智能 人工智能
- 计算精神病学是一种计算精神病学.
- 生物医学信号处理
背景情况:
- 抑郁症是一种普遍的,致残的精神障碍,复发率很高.
- 目前的诊断方法依赖于主观问卷,强调需要客观方法.
- 深度学习为分析复杂的生物信号提供了潜力,以提高诊断准确度.
研究的目的:
- 开发和评估一种基于深度学习的客观方法,用于使用电脑电图 (EEG) 信号检测抑郁症.
- 调查结合图形卷积网络 (GCN) 和长期短期记忆 (LSTM) 的有效性,以分析EEG数据中的大脑功能连接和时空特征.
- 为诊断和治疗临床抑郁症提供一个补充工具.
主要方法:
- 提出了一个具有长期短期存储器 (LSTM) 的自适应式多时间窗格图卷积网络 (GCN),称为AMGCN-L.
- 该网络使用自适应的多时间窗格图形生成块来捕捉不同时间段的大脑功能连接.
- 使用GCN用于从EEG信号中提取空间特征和LSTM用于从EEG信号中提取时间特征.
主要成果:
- 在两个公共EEG数据集上对AMGCN-L进行了评估:EEG数据和计算工具的患者存储库,以及用于精神障碍分析的多模式开放数据集.
- 通过对各自的数据集进行十倍交叉验证,实现了90.38%和90.57%的高抑郁症识别准确度.
- 证明了GCN和LSTM在提取空间和时间特征以检测抑郁症方面的有效性.
结论:
- 拟议的AMGCN-L模型有效地利用GCN和LSTM从EEG信号中分别提取空间和时间特征.
- 对大脑连接和时空特征的探索显著有利于抑郁症检测.
- 这种深度学习方法为临床抑郁症诊断和随后的治疗提供了有价值的客观支持系统.
