GCTNet:基于EEG信号的图形卷积变压器网络,用于检测主要抑郁障碍
Yuwen Wang1, Yudan Peng1, Mingxiu Han1
1Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University, Beijing, People's Republic of China.
Journal of neural engineering
|May 24, 2024
概括
这项研究引入了一种新的图形卷积变压器网络 (GCTNet),用于使用电脑电图 (EEG) 信号检测严重抑郁症 (MDD). GCTNet显示出高准确度,为客观MDD诊断提供了一个有前途的工具.
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:
- 准确识别主要抑郁障碍 (MDD) 仍然具有挑战性,特别是使用客观的生理测量.
- 电脑电图 (EEG) 信号为客观MDD检测提供了一个有希望的途径,因为它们具有丰富的时空信息.
研究的目的:
- 开发和验证一种新的深度学习框架,即图形卷积变压器网络 (GCTNet),用于使用EEG信号进行准确可靠的MDD检测.
- 通过整合空间和时间信息处理以及一种新的对比损失函数来提高特征提取和分类性能.
主要方法:
- 拟议的GCTNet集成了余图卷积网络块用于空间特征提取和变压器块用于时间动态分析.
- 开发了一个对比交叉 (CCE) 损失函数,将对比学习与交叉结合起来,以提高特征稳定性和可区分性.
- 该模型在41名MDD患者和44名对照患者的数据集上进行了评估,并与公共数据集一起使用独立于主体的分区和10倍交叉验证.
主要成果:
- GCTNet模型取得了显著的表现,内部数据集的平均曲线下的面积 (AUC) 为0.7693,公共数据集的平均面积为0.9755.
- 对比分析证实了GCTNet框架与CCE损失的优越性,而不是MDD检测现有的最先进的算法.
- 拟议的方法在主体独立分类中表现出强的性能.
结论:
- GCTNet框架提供了一种客观有效的方法,用于使用EEG信号检测严重抑郁症 (MDD).
- 图形卷积和变压器网络的整合,加上CCE损失,显著提高了分类准确性.
- 这种方法为MDD的临床辅助诊断提供了有价值的支持.
