通过分歧选择性聚焦多头自我注意网络预测HAMD-17分数的自动化方法

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:

• 抑郁症的诊断依赖于主观的评估,如汉密尔顿抑郁症评分尺度-17 (HAMD-17).
• 使用神经成像数据对HAMD-17分数的自动预测可以提高诊断客观性和效率.
• 脑电图 (EEG) 信号含有神经和精神疾病的宝贵生物标志物.

研究的目的:

• 开发和评估一个创新的深度学习模型,即分离选择性集中多头自我注意网络 (DSFMANet),用于自动化HAMD-17得分预测.
• 调查处理EEG数据在子频段与全频段中的有效性,以预测抑郁症严重程度.
• 与现有基准相比,在准确性和效率方面证明DSFMANet的优越性.

主要方法:

• 开发DSFMANet,这是一种深度学习模型,具有用于子频段分析和人工注意力焦点因素的多分支结构.
• 应用DSFMANet来预测使用抑郁症患者EEG子频段数据预测HAMD-17分数.
• 对DSFMANet与当前基准的性能进行比较分析,使用MSE,MAE,RMSE和R2等指标.
• 评估EEG信号处理中的选择性焦点注意力机制.

主要成果:

• 在预测HAMD-17分数方面,DSFMANet处理子频段EEG数据显著超过了现有的基准标准.
• 该模型在使用子频段数据时在平均平方误差 (MSE) 和平均绝对误差 (MAE) 中实现了卓越的性能.
• 与全频数据相比,DSFMANet在使用子频段分析时表现出更高的数据处理效率和更低的模型复杂性.
• 选择性焦点注意力机制在对抑郁症评估的EEG信号处理中被证明是有效的.

结论:

• 基于子频段EEG分析的深度学习模型,如DSFMANet,对于抑郁症诊断非常有效.
• DSFMANet提供了一个有前途的自动化方法,用于准确可靠的HAMD-17评分预测,支持临床决策.
• 这项研究强调了DSFMANet在自动抑郁症诊断和相关应用方面的未来研究的潜力.