TAU-DI网络:一个多层次的卷积网络,结合了基于EEG的抑郁症识别的试验分散注意力

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 重度抑郁症 (MDD) 诊断严重依赖于临床评估,脑电图 (EEG) 信号提供了潜在的客观生物标志物.
• 基于EEG检测MDD的现有深度学习模型 (CNN,LSTM,attention) 往往忽视信号级病理特征或静止状态EEG中的冗余信息.

研究的目的:

• 开发一种新的深度学习架构,以改进基于EEG的重大抑郁障碍 (MDD) 检测.
• 通过提取多频信息和处理静态EEG信号中的冗余数据来解决当前模型中的局限性.

主要方法:

• 提出了一个适应性时间频率分布网络,结合频率周期转换和多尺度CNN.
• 采用了跨频率的时空表征的适应加权融合.
• 使用下方样本的Prob-Sparse 注意从静止状态EEG数据中提取可靠的模式.

主要成果:

• 拟议的自适应网络实现了94.91%的分类准确性,用于从EEG信号中检测MDD.
• 与现有的自我注意力和卷积神经网络模型相比,证明了更高的性能.
• 突出了基于EEG的抑郁症分析适应性,频率特定处理的有效性.

结论:

• 新的自适应时间频率分布网络提供了一个有前途的方法,用于使用EEG准确和客观的MDD诊断.
• 利用不同频段的自适应方法可以增强与抑郁相关的EEG信号的处理.
• 这种方法有可能在早期检测和治疗MDD方面发挥重要作用.