NSSI-Net:在半监督框架中使用高维EEG进行非自杀性自我伤害检测的多概念GAN

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 青少年心理健康 青少年心理健康

背景情况:

• 非自杀性自我伤害 (NSSI) 对青少年的福祉构成严重风险,增加了自杀风险.
• 脑电图 (EEG) 提供了一种客观的方法来识别大脑疾病,但从复杂的数据中提取相关特征是具有挑战性的.
• 开发有效的NSSI诊断工具对于及时干预至关重要.

研究的目的:

• 引入NSSI-Net,这是一个新的半监督对抗网络,用于建模与NSSI相关的EEG特征.
• 通过整合时空大脑动态来增强可靠和有意义的EEG特征的提取.
• 改善早期诊断和对抑郁症青少年NSSI的理解.

主要方法:

• 使用一个半监督的对抗网络 (NSSI-Net),包括时空特征提取和多概念区分模块.
• 采用2D卷积神经网络 (2D-CNN) 和双向门式循环单元 (BiGRU) 来捕获EEG空间和时间动态.
• 纳入区分器中的信号,性别,域和疾病水平分析,以解释人口变化.

主要成果:

• 在模拟NSSI的EEG特征方面,NSSI-Net已经证明了其有效性和可靠性.
• 在自主收集的NSSI数据 (n=114) 上,在现有机器学习和深度学习方法上实现了5.44%的性能改进.
• 通过考虑个人,人口和疾病的变化,成功地提取了有意义的EEG特征.

结论:

• NSSI-Net代表了分析EEG数据用于青少年NSSI检测的进步.
• 该模型能够整合时空动态,并考虑多样化的变化,提高了诊断能力.
• 这项研究有助于在抑郁青少年中更早地发现NSSI,为及时干预铺平了道路.