评估基于深度学习的大型抑郁症诊断的增强方法,使用原始脑电图数据

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:

• 深度学习模型对神经精神障碍诊断有希望,但受到小数据集的限制.
• 数据增强 (DA) 是一个潜在的解决方案,但它在神经精神疾病中对脑电图 (EEG) 的有效性尚未得到充分研究.

研究的目的:

• 评估六种EEG数据增强 (DA) 方法对重大抑郁症 (MDD) 诊断的有用性.
• 通过重复培训数据来建立一个可靠的基线,以减轻绩效比较偏差.
• 使用可解释性技术分析DA对模型学习表示的影响.

主要方法:

• 通过使用EEG数据训练了一种深度学习模型来诊断MDD.
• 应用了六种不同的EEG DA技术.
• 引入了在重复数据上训练的基线模型,以便进行公平的比较.
• 进行可解释性分析,以理解学习的表示.

主要成果:

• 大多数EEG DA方法的表现并没有超过在重复数据上训练的基线模型.
• 频道脱落增强显著改善了模型性能.
• 一些DA方法提高了对频率和通道干扰的模型稳定性.

结论:

• 将EEG DA方法与相同大小的重复数据基线进行比较至关重要.
• 频道脱落是基于EEG的MDD诊断的一个有前途的DA技术.
• 研究结果为神经精神病学中小型EEG数据集开发有效的深度学习策略提供了洞察力.