MDD-SSTNet:通过探索基于深度神经网络的静止电脑图数据的光谱空间时间信息来检测主要抑郁症
Qiurong Chen1, Min Xia1, Jinfei Li1
1School of Computer Science and Technology, Laboratory for Brain Science and Medical Artificial Intelligence, Southwest University of Science and Technology, 621010 Mianyang, China.
Cerebral cortex (New York, N.Y. : 1991)
|January 22, 2025
概括
一个新的深度学习模型,MDD-SSTNet,有效地检测主要抑郁症 (MDD) 使用静止电脑图 (EEG) 数据. 它分析了光谱-空间-时间信息,以高精度将MDD患者与健康个体区分开来.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 生物医学工程 生物医学工程
背景情况:
- 重度抑郁症 (MDD) 是一种严重的精神疾病,需要准确的诊断.
- 之前的研究表明,MDD患者的大脑网络拓和脑电图 (EEG) 特性发生变化.
- 及时诊断和治疗对于管理MDD和预防严重后果至关重要.
研究的目的:
- 开发和验证一种新的深度卷积神经网络模型,MDD-SSTNet,用于检测MDD.
- 探索从静止状态EEG获得的光谱空间时间信息对MDD分类的有用性.
- 用非侵入性神经成像技术提高MDD检测的效率和准确性.
主要方法:
- 建议使用深度卷积神经网络的MDD-SSTNet模型.
- 使用Sinc过器从EEG数据中提取特定频段特征.
- 实现了两个平行分支来提取时间和空间特征.
- 使用组合损失函数 (中心损失和二进制交叉损失) 训练模型.
- 在HUSM和MODMA数据集上使用离开一个主体的交叉验证验证模型.
主要成果:
- MDD-SSTNet实现了很高的分类准确度:HUSM数据集上的93.85%,MODMA数据集上的65.08%.
- 该模型在MDD检测方面表现优于六个基线模型.
- 证明了MDD受试者和健康对照者之间EEG数据的时空差异的有效挖掘.
结论:
- 使用EEG数据,MDD-SSTNet显示出显著的希望,作为一种有效的方法来检测使用EEG数据的大型抑郁症.
- 该模型分析光谱-空间-时间特征的能力为了解MDD提供了一个新的途径.
- 这种深度学习方法可以帮助早期和准确诊断MDD.
