HEMAsNet:一个由大脑启发的半球不对称网络,用于从脑电图信号识别抑郁症

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 抑郁症是一种广泛的精神障碍,具有重大的全球影响.
• 目前基于EEG的抑郁症识别模型往往缺乏神经科学解释性.
• 有需要的模型,考虑抑郁症的病原和大脑功能.

研究的目的:

• 提出一个新的半球不对称网络 (HEMAsNet),以改进基于EEG的抑郁症识别.
• 为了提高抑郁症识别模型的神经科学解释性.
• 为了利用大脑结构和功能进行更准确的分类.

主要方法:

• 开发了HEMAsNet,结合了多级卷积神经网络 (CNN) 和长短期记忆 (LSTM) 块.
• 整合了一个"Callosum-like"块,以促进半球间信息传输.
• 使用MODMA数据集验证模型,分析额叶EEG不对称性.

主要成果:

• 证实了与抑郁相关的额叶EEG信号中的不对称特征.
• 在使用HEMAsNet.net时,达到0.8067的抑郁症识别准确度.
• 通过空间和频率分析证明了增强的模型解释性.

结论:

• HEMAsNet提供了一种更准确,更易于解释的方法,用于从EEG识别抑郁症.
• 模拟生理过程和整合半球间通信可以提高模型的性能.
• 该模型提供了对抑郁症神经生物学基础的洞察.