一种利用单通道EEG转移学习的抑郁症检测方法
Chengyuan Sun1, Mingjuan Guan1, Keyu Duan1
1Institute of Artificial Intelligence, Anhui University of Science and Technology, No. 168, Taifeng Street, Huainan 232001, Anhui, People's Republic of China.
Journal of neural engineering
|May 2, 2025
概括
一个新的深度转移学习模型使用单通道电脑电图 (EEG) 信号准确检测主要抑郁症 (MDD). 这种方法克服了多通道EEG的局限性,使得抑郁症查更容易获得和更容易适应.
科学领域:
- 神经科学和计算精神病学
- 机器学习在医疗保健中的应用
背景情况:
- 重度抑郁症 (MDD) 是一种普遍存在的心理健康状况,需要客观的诊断工具.
- 目前基于脑电图 (EEG) 的抑郁症检测通常依赖于多通道信号,限制了实际应用.
- 在EEG数据采集的变化和有限的数据集对模型的概括性提出了挑战.
研究的目的:
- 开发一种使用单通道EEG信号的新型抑郁检测模型.
- 利用转移学习和深度神经网络来提高准确性和适应性.
- 为了解决多通道EEG和抑郁症诊断中的数据变异性的限制.
主要方法:
- 一个预训练的ResNet152V2网络被调整,添加了功能提取的层.
- 脑电图信号序列被转换为图像,将任务重新定义为图像分类.
- 采用跨学科的实验策略进行模型培训和验证.
主要成果:
- 该模型在使用单通道EEG识别抑郁症时实现了近乎完美的准确性 (接近100%).
- 在四个不同的,公开可用的抑郁症EEG数据集中表现出强大的性能.
- 显示出显著的适应性,以应对由不同的采集环境引起的EEG数据变化.
结论:
- 深度转移学习在心理健康中分析EEG信号方面具有很大的前景.
- 开发的模型为基于EEG的单通道抑郁症检测提供了一种可行的,高效的方法.
- 这项研究为未来精神疾病早期诊断方面的创新提供了基础.
