EEGDepressionNet:一种基于自我注意力的新门密集网络与混合启发式采用了使用EEG信号的精神抑郁症检测模型

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 抑郁症是全球残疾的主要原因,影响公共和私人健康.
• 脑电图 (EEG) 是评估大脑活动和分析抑郁症的宝贵工具.
• 手动EEG分析抑郁症是耗时和劳动密集的,需要自动化解决方案.

研究的目的:

• 开发一种新的,自动化的深度学习系统,用于使用EEG信号检测抑郁症.
• 为了提高诊断效率,并协助临床医生识别抑郁症.
• 改进现有的自动化抑郁症分析方法.

主要方法:

• EEG信号来源于公共数据库.
• 提取了三个特征集:光谱图 (使用3D-CNN),原始EEG (使用1D-CNN) 和光谱特征.
• 混沌猫头侵入性杂草优化 (COIWSO) 算法用于最佳的特征选择和重量融合.
• 由COIWSO优化的一种基于自我注意的门式Densenet (SA-GDensenet) 模型进行了最终的抑郁症检测.

主要成果:

• 开发的深度学习模型在抑郁症检测中实现了96%的准确性.
• 与传统的抑郁症检测模型相比,该系统表现出卓越的性能.
• 经验结果证实了自动特征提取和检测方法的有效性.

结论:

• 拟议的自动化深度学习系统提供了使用EEG信号检测抑郁症的高度准确和高效的方法.
• 这种新的方法可以显著帮助临床医生诊断和管理抑郁症.
• 集成先进的深度学习技术和优化算法显示了未来心理健康诊断的前景.