交叉采样率转移学习用于增强原始EEG深度学习分类表现在重大抑郁障碍诊断中的表现

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 深度学习模型需要大型数据集才能实现强大的性能.
• 脑电图 (EEG) 数据通常尺寸有限,这给模型开发带来了挑战.
• 转移学习是一种有前途的技术,可以克服深度学习中的数据限制.

研究的目的:

• 通过使用EEG,研究将学习从一个较大,较低样本率的数据集转移到一个较小,较高样本率的数据集,以诊断主要抑郁障碍 (MDD) 的有效性.
• 在深度学习模型中识别可概括的表示,以实现跨任务适用性.

主要方法:

• 一个卷积神经网络 (CNN) 在一个大型公共睡眠EEG数据集 (100 Hz采样率) 上受训.
• 学习的表示被转移到一个较小的EEG数据集用于MDD诊断 (200Hz采样率).
• 模型的性能根据准确性,频段利用率和对频道损失的稳定性进行了评估.

主要成果:

• 转移早期的卷积层表示在不同的任务和采样率中被证明是有效的.
• 对于MDD诊断的平均模型准确性显著增加,从82.33%增加到86.99%.
• 转移学习方法增强了模型对 θ 波段频率的依赖,并提高了对通道损失的稳定性.

结论:

• 深度学习模型中的早期卷积层捕获了可概括的EEG表示.
• 转移学习是增强EEG分析中的深度学习模型的可行和有效策略,特别是在MDD等疾病中.
• 本研究为应用转移学习来改进基于EEG的诊断模型提供了指导,解决了小数据集和不同采样率的挑战.