通过通过单通道睡眠阶段数据转移学习改善基于多通道原始电脑图的大型抑郁障碍的诊断
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, USA.
bioRxiv : the preprint server for biology
|October 24, 2023
概括
这项研究引入了一种新的转移学习方法,用于分析原始脑电图 (EEG) 数据. 这种方法显著改善了EEG的主要抑郁症诊断,优于以前的方法.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 在脑电图 (EEG) 中深度学习的应用正在增长,但开发用于小,原始EEG数据集的模型仍然具有挑战性.
- 转移学习提供了一个有前途的解决方案,以有限的原始EEG数据来提高深度学习性能,但对于原始静止状态EEG数据,只有很少的方法存在.
结论:
- 这种方法推进了原始静止状态EEG分类,为其他电生理学和时间序列数据提供了潜力.
- 它将深度学习的适用性扩展到各种原始EEG数据集,促进更可靠的EEG分类器开发.
