通过变压器架构和分割学习,基于EEG的分散检测主要抑郁症
Muhammad Umair1, Jawad Ahmad2, Nada Alasbali3
1Faculty of Engineering, Multimedia University, Cyberjaya, Malaysia.
Frontiers in computational neuroscience
|May 2, 2025
概括
这项研究引入了一种保护隐私的机器学习方法,用于使用脑电图 (EEG) 数据检测严重抑郁症 (MDD). 深度学习和分割学习的结合实现了99%的准确性,使得MDD的安全可靠的分类.
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:
- 重度抑郁症 (MDD) 诊断依赖于手动脑电图 (EEG) 分析,这容易导致复杂性和人为错误.
- 需要自动检测方法来实现更可靠,更有效的MDD诊断.
研究的目的:
- 开发和评估一个自动化系统,使用EEG信号对MDD进行分类.
- 在机器学习模型培训中解决数据隐私和计算资源问题.
主要方法:
- 利用机器学习 (随机森林,SVM,梯度提升) 和深度学习 (变压器,自动编码器) 模型.
- 实施了分割学习框架,使用组合技术,结合表现最佳的模型.
- 应用集体学习以集成多个机器和深度学习模型.
主要成果:
- 通过变压器-随机森林组合实现了99%的准确性.
- 分割学习框架显示了高准确性 (超过95%),同时在三个客户端保持数据隐私.
- 在分割学习设置中,最好的客户端实现了96.23%的准确性.
结论:
- 分布式深度学习管道可以准确地从EEG数据中检测到MDD,而不会影响安全.
- 拟议的框架通过交换只有中间代表,满足机构要求,保持数据隐私.
- 这种方法为使用EEG的MDD分类提供了强大而安全的解决方案.
