一个基于功能连接的模型,具有轻量级的注意力机制,用于使用EEG信号识别抑郁症

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 注意力机制通常用于从EEG数据中识别抑郁症的特征提取.
• 在EEG空间领域的标准多头自我注意力是计算密集和参数重的.
• 由于随机参数初始化,模型性能可能不稳定.

研究的目的:

• 设计一个轻量级的注意力机制,以高效地基于EEG的抑郁症识别.
• 开发一个深度学习模型,功能连接注意网络 (FCAN),利用这个机制.
• 与标准方法相比,提高计算效率和模型稳定性.

主要方法:

• 开发了一种轻量级的注意力机制,灵感来自多头自我注意力.
• 构建了功能连接注意网络 (FCAN),结合了空间注意和特征集成模块.
• 在公开的EEG数据集上对基线模型进行评估的FCAN性能.

主要成果:

• 拟议的轻量级注意力机制大大降低了模型参数和计算成本.
• 在EEG数据集上,FCAN实现了95.20% (±3.99%) 的分类准确度.
• 与现有的基线模型相比,FCAN表现出优越的分类性能.

结论:

• 开发的轻量级注意力机制和FCAN模型提供了一种高效有效的方法,用于使用EEG识别抑郁症.
• FCAN为临床应用提供了一个稳定且可行的计算解决方案.
• 这项工作有助于通过改进的深度学习技术来推进自动化心理健康诊断.