使用EEG信号通过LSTM和尖端神经网络的混合体来识别抑郁症

科学领域:

• 计算神经科学是一种神经科学.
• 人工智能的人工智能
• 临床心理学 临床心理学

背景情况:

• 抑郁症的严重程度通常使用主观问卷,如贝克抑郁症库存 (BDI) 进行评估.
• 使用脑电图 (EEG) 信号进行定量抑郁评估提供了一个客观的替代方案.
• 尖端神经网络 (SNN) 是生物现实的,适合从EEG数据建模大脑活动.

研究的目的:

• 引入一种新的框架,将SNN和LSTM结合起来,用于从原始EEG信号中分类抑郁水平.
• 模拟与不同抑郁阶段相关的大脑结构.
• 为抑郁症评估提供一种量化,以大脑为灵感的方法.

主要方法:

• 开发了用于EEG信号处理的混合SNN-LSTM框架.
• 在3D大脑模板SNN中利用了突触时间依赖可塑性 (STDP) 学习规则.
• 分类和预测抑郁症结果,可视化相关的大脑结构变化.

主要成果:

• 实现了高分类准确度:98%的闭眼和96%的开眼EEG状态.
• 与最先进的深度学习方法相比,表现出卓越的性能.
• 提供与抑郁水平相关的大脑变化的视觉表示和解释.

结论:

• 新的SNN-LSTM框架有效地使用原始EEG信号对抑郁症严重程度进行分类.
• 这种由大脑启发的方法为抑郁症的神经机制提供了新的见解.
• 该方法在客观,定量抑郁症评估方面取得了重大进展.