多通道卷积变压器用于检测精神障碍,使用电脑法记录
Mamadou Dia1, Ghazaleh Khodabandelou2, Syed Muhammad Anwar3,4
1Laboratoire Image Signaux Systèmes Intelligents, Université Paris-Est Créteil-Val-de-Marne, Vitry-sur-Seine, 94400, France. mamadou.dia@u-pec.fr.
Scientific reports
|May 2, 2025
概括
一个新的深度学习模型使用脑电图 (EEG) 精确检测精神障碍的大脑活动. 这种多通道卷积变压器方法显示了早期诊断和改善心理健康治疗结果的希望.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 精神病学是一个精神病学.
背景情况:
- 精神障碍对全球健康造成重大负担,需要早期和准确的检测才能进行有效的干预.
- 脑电图 (EEG) 提供了一种非侵入性方法来监测大脑活动,这对于识别潜在的心理健康状况至关重要.
- 深度学习模型在分析复杂的EEG数据以进行疾病分类方面表现出有希望.
研究的目的:
- 引入一种新的深度学习架构,即多通道卷积变压器,用于使用EEG数据对精神障碍进行分类.
- 通过先进的过和时间频率转换来增强EEG信号处理,以改善特征提取.
- 在多个基准数据集上对现有方法进行评估,以评估拟议模型的性能.
主要方法:
- 使用常见的空间图案,信号空间投影和波纹消噪过器预处理了EEG数据.
- 应用了连续波波变换来获得EEG信号的时间频率表示.
- 开发了一个多通道卷积变压器模型,集成CNN和变压器,用于EEG数据分类.
主要成果:
- 拟议的模型实现了高分类准确度:EEG和心理评估数据集的87.40%,MODMA数据集的89.84%,EEG精神病学数据集的92.28%.
- 该模型在评估的数据集中与所有并发方法相比显示出更高的性能.
- 没有观察到过度装配的迹象,这表明强大的概括能力.
结论:
- 多通道卷积变压器架构显示了通过EEG分析准确可靠地检测精神障碍的巨大潜力.
- 这种方法可以为心理健康状况的早期诊断和治疗策略的进步铺平道路.
- 这项研究强调了将先进的信号处理与深度学习相结合用于精神疾病分类的有效性.
