可解释的抑郁症分类基于EEG特征选择从音频刺激

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 计算精神病学是一种计算精神病学.

背景情况:

• 基于脑电图 (EEG) 的抑郁症检测正在与人工智能一起推进.
• 现有的方法往往忽略了特征模型关联和个体特征贡献.
• 在基于EEG的抑郁症识别中存在需要可解释的AI.

研究的目的:

• 开发一种创新的基于EEG的抑郁症检测方法,使用狮优化 (ALO) 和多代理强化学习 (MARL).
• 提高模型的可解释性,并确定抑郁症识别的关键EEG特征.
• 分析响应音频刺激的动态大脑状态转换.

主要方法:

• 在EEG数据中整合ALO和MARL用于特征融合分析.
• 可解释的人工智能 (XAI) 的应用,用于特征可解释性.
• 使用时间延迟嵌入式隐藏马尔科夫模型 (TDE-HMM) 来推断大脑状态.
• XGBoost 分类器的超参数优化.

主要成果:

• 在EEG数据集上实现了高精度 (93.69%),灵敏度 (88.60%),特异性 (97.08%) 和F1得分 (91.82%).
• 超越了最先进的功能选择方法.
• 作为关键特征,XAI确定了最小功率光谱密度 (PSD),样本 (SampEn) 和雷尼 (Ren).

结论:

• 拟议的ALO-MARL方法与XAI提供了基于EEG的抑郁症检测的强大和可解释的方法.
• 确定了EEG关键特征,可以了解抑郁症的神经生理学的基础.
• 这些发现支持AI在抑郁症识别和理解大脑动态方面的临床应用.