脑电图和音频谱的多模式融合,用于使用修改后的DenseNet121识别严重抑郁症
Musyyab Yousufi1, Robertas Damaševičius1, Rytis Maskeliūnas1
1Centre of Real Time Computer Systems, Kaunas University of Technology, 51368 Kaunas, Lithuania.
Brain sciences
|October 25, 2024
概括
这项研究开发了一种使用脑电图 (EEG) 和音频数据的多式模式来分类严重抑郁症 (MDD). 该模型实现了高精度,显示了临床抑郁症评估的潜力.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 重度抑郁症 (MDD) 的诊断可能具有挑战性.
- 脑电图 (EEG) 和音频信号为心理健康评估提供了潜在的生物标志物.
研究的目的:
- 开发一个多式联络分类模型,整合EEG和音频数据用于MDD识别.
- 评估模型在检测抑郁倾向方面的表现.
主要方法:
- 使用了多模式精神障碍分析 (MODMA) 开放数据集.
- 采用预先训练的Densenet121模型与转移学习.
- 从EEG (短时间里埃变换谱图) 和音频 (梅尔谱图) 模式中提取和连接的特征.
主要成果:
- 获得了高分类性能:97.53%的准确性,98.20%的精度,97.76%的F1分数,97.32%的回忆.
- 多式联运方法的性能优于现有的单式联运方法.
- 混矩阵分析证实了该模型的有效性.
结论:
- 建议的多式联运分类方法对于MDD评估来说是强大而有效的.
- 这种方法显示出在临床诊断中应用的巨大潜力.
- 整合EEG和音频数据可以提高抑郁症分类的准确性.
