使用音频和脑电图识别重大抑郁障碍的交叉孤岛,保护隐私和轻量级联合多模式系统
Chetna Gupta1, Vikas Khullar1, Nitin Goyal2
1Chitkara University Institute of Engineering and Technology, Chitkara University, Rajpura 140417, Punjab, India.
Diagnostics (Basel, Switzerland)
|January 11, 2024
概括
一个新的联合深度学习系统准确地使用脑电图 (EEG) 和音频数据对主要抑郁症 (MDD) 进行分类. 这种多式联络方法确保了数据隐私,并使早期检测成为可能,从而改善了患者的护理.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 大型抑郁症 (MDD) 构成了全球重大健康挑战,需要改进诊断工具.
- 目前对MDD的诊断方法缺乏可靠性和安全性,阻碍了早期检测和有效治疗.
- 自动化决策系统对于广泛,安全和有效的MDD患者管理至关重要.
研究的目的:
- 开发和评估一个基于深度学习的多式联网系统,用于准确的MDD分类.
- 在分类过程中确保数据隐私,特别是对于资源有限的边缘设备.
- 评估系统在独立且相同分布的 (IID) 和非IID数据集上的性能.
主要方法:
- 从预先训练的模型中提取特征,选择双向短期内存 (Bi-LSTM) 作为基准模型,因为音频数据验证精度优越 (91%).
- 使用脑电图 (EEG) 和音频数据集进行多模式分析.
- 实施联合学习 (FL) 方法来训练多式联网系统,同时保持数据隐私.
主要成果:
- 该Bi-LSTM模型实现了高的验证准确性:91%的音频和98.9%的EEG数据.
- 基于FL的多式联运模型在IID和非IID数据集上都显示出99.9%的特殊培训和验证准确性.
- FL多式联络系统的性能与Bi-LSTM多式联络系统相美,强调了其在多种数据分布方面的有效性.
结论:
- 拟议的联合学习多式联络系统为早期MDD分类提供了可靠,安全和保护隐私的方法.
- 该系统的多模式性和数据隐私功能使其非常适合资源有限的边缘设备.
- 这一框架代表了一种有希望的替代方法,用于早期和准确的MDD患者分类.
