基于注意力图卷积和变压器的多模式抑郁检测

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
• 人工智能的人工智能

背景情况:

• 单模压力检测方法由于个体变化和噪声而面临局限性.
• 现有的多式联络方法在电脑电图 (EEG) 和语音信号的有效特征融合方面扎.

研究的目的:

• 开发和评估一种多模式抑郁症检测模型,MHA-GCN_ViT,集成EEG和语音数据.
• 通过先进的深度学习技术,提高抑郁症检测的准确性和稳定性.

主要方法:

• 利用离散波波变换 (DWT) 进行EEG特征提取和图形卷积网络 (GCN) 用多头注意力进行大脑网络分析.
• 采用短时间的里埃变换器 (STFT) 和视觉变换器 (ViT) 来处理来自EEG和语音信号的光谱特征.
• 在最终低谷分类的决策层面上融合了提取的特征.

主要成果:

• MHA-GCN_ViT模型实现了高性能指标:89.03%的准确率,90.16%的精度,89.04%的回忆率和88.83%的F1评分在MODMA数据集上.
• 与传统的单模式方法相比,显示出显著的改进.
• 显示强大的性能和广泛适用于多式联运检测任务.

结论:

• 拟议的MHA-GCN_ViT模型为多式联络抑郁症检测提供了一种强大而有效的方法.
• 这种方法在使用结合EEG和语音数据诊断心理和神经障碍方面表现有前途.