基于前置EEG信号和深度学习的抑郁障碍识别
Yanting Xu1, Hongyang Zhong2, Shangyan Ying1
1College of Engineering, Zhejiang Normal University, Jinhua 321004, China.
Sensors (Basel, Switzerland)
|October 28, 2023
概括
这项研究引入了一种实际的深度学习方法,用于使用前脑电图 (EEG) 信号诊断抑郁症 (DD). 一个新的MRCNN-RSE模型实现了高精度,为客观DD评估提供了一个有前途的工具.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 临床心理学 临床心理学
背景情况:
- 抑郁症 (DD) 是一种普遍存在的心理健康状况,对幸福感有重大影响.
- 目前的DD诊断依赖于主观方法,缺乏客观和自动化工具.
- 高密度电脑电图 (EEG) 用于DD诊断受到实用性和效率方面的限制.
研究的目的:
- 开发一种准确和实用的方法来诊断抑郁症 (DD) 使用有限通道EEG信号.
- 评估深度学习模型的有效性,特别是MRCNN-LSTM和MRCNN-RSE,用于DD识别.
- 探索EEG频段与DD诊断中的分类性能之间的关系.
主要方法:
- 从41名DD患者和34名健康对照 (HC) 收集了10分钟的静止状态EEG信号.
- 利用前部六通道EEG数据,专注于特定频段 (8-30 Hz).
- 开发并比较了两个深度学习模型:MRCNN-LSTM和MRCNN-RSE用于DD分类.
主要成果:
- 更高的EEG频段显示了DD诊断的优越分类性能.
- 在使用8-30赫兹EEG信号时,MRCNN-RSE模型实现了最高的分类准确率98.48 ± 0.22%.
- 该研究强调了低密度EEG与深度学习相结合的潜力,用于实际的DD诊断.
结论:
- 拟议的分析框架为抑郁症诊断提供了一个准确而实用的策略.
- 这种方法为DD治疗和疗效评估提供了必要的理论和技术支持.
- 与深度学习相结合的前部六通道EEG显示出对客观和高效的DD评估的承诺.
