基于变压器的融合模型用于用EEG和瞳孔区域信号识别轻度低压
Jing Zhu1, Yuanlong Li1, Changlin Yang1
1Gansu Provincial Key Laboratory of Wearable Computing, School of Information Science and Engineering, Lanzhou University, Lanzhou, 73000, China.
Medical & biological engineering & computing
|February 5, 2025
概括
本研究介绍了一种基于变压器的融合模型,用于使用脑电图 (EEG) 和瞳孔区域信号识别轻度抑郁症. 该模型有效地整合了多式联运数据,在识别轻度抑郁症方面实现了高精度.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 轻度抑郁症的早期检测往往被忽视,尽管它在预防和治疗方面很重要.
- 多模式生物信号分析 (EEG,眼动,MRI) 提供了评估抑郁症的定量方法.
- 从多式联运数据中整合补充信息以准确识别抑郁症仍然是一个重大挑战.
研究的目的:
- 提出一种新的基于变压器的融合模型,用于轻度抑郁症的识别.
- 有效地捕获和整合来自脑电图 (EEG) 和瞳孔区域信号的相关信息.
- 通过使用多式联络数据,提高轻度抑郁检测的准确性和效率.
主要方法:
- 开发了采用CSP的EEG和学生数据的单模变压器模型.
- 实施了中间融合模型的注意力瓶,以促进跨 modal 信息交换.
- 专注于学习互补和相关的信息,同时最大限度地降低计算成本.
主要成果:
- 单模式模型的准确度达到89.75% (EEG) 和84.17% (学生面积).
- 中融合模型的整体准确性达到了93.25%.
- 变压器模型证明了能够学习EEG和瞳孔信号之间的长期依赖.
结论:
- 拟议的基于变压器的融合模型有效地使用EEG和瞳孔区域信号识别轻度抑郁.
- 这种方法增强了模式之间的信息交换,提高了识别准确性和减少计算负载.
- 这项研究为开发可靠的多式联接融合模型来检测轻度抑郁症提供了可行的框架.
