一个在机上可执行的多功能转移增强的融合模型,用于三线EEG传感器辅助的抑郁症诊断

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 医疗技术 医疗技术 医学技术

背景情况:

• 人工智能 (AI) 和可穿戴传感器的进步使得抑郁症检测的新方法成为可能.
• 现有的基于人工智能的抑郁症识别系统往往缺乏实际应用所需的可穿戴和可访问的设计.
• 可穿戴的诊断工具对于可访问的心理健康监测和早期干预至关重要.

研究的目的:

• 开发和评估一个机载可执行的,多功能,传输增强的融合模型,用于定制可穿戴的三导电脑电图 (EEG) 传感器.
• 评估在实际环境中使用这种AI模型进行实时,低功率抑郁症识别的可行性.
• 证明模型在使用显著患者队列的EEG数据来分类抑郁症的有效性.

主要方法:

• 收集了73名被诊断患有抑郁症和108名健康对照者的脑电图 (EEG) 数据.
• 为数据采集设计了一种定制的可穿戴式三导电脑脑电图传感器.
• 开发了一种针对低计算和空间复杂性进行优化的内置可执行的多功能传输增强融合AI模型.

主要成果:

• 拟议的AI模型展示了低计算复杂性 (65.0K参数) 和高效的浮点运算 (FLOP) 性能 (25.6M).
• 该系统实现实时处理 (1.5秒/执行) 低功耗 (320.8mW) 和最小的内存足迹 (202.0KB RAM,279.6KB ROM).
• 在独立测试数据上实现了高分类准确性 (95.2%),特异性 (94.0%) 和灵敏性 (96.9%).

结论:

• 开发的AI模型非常高效,适合在可穿戴的三导EEG传感器上部署.
• 这项技术在帮助早期诊断和管理抑郁症方面具有重大潜力.
• 这些发现突出了可访问,可穿戴的人工智能解决方案的可行性,用于心理健康诊断.