通过时间频空间变压器检测主要抑郁症,并使用EEG对准子域知识
Chen-Yang Xu1, Fei-Yi Fan2, Li-Xuan Zhao1
1School of Electrical and Information Engineering, Tianjin University, 300072, Tianjin, China.
概括
这项研究引入了一种新的AI模型,用于使用脑电图 (EEG) 数据检测严重抑郁症 (MDD). TFST-SDKA模型通过专注于频率特征和子域对齐来提高准确性.
科学领域:
- 神经科学
- 人工智能
- 生物医学工程
背景情况:
- 大型抑郁症 (MDD) 严重影响患者的健康,需要精确的检测方法.
- 目前基于脑电图 (EEG) 的检测方法面临挑战,原因是受试者之间的差异性,限制了跨主体的准确性.
- 现有的MDD检测变压器模型往往忽略了域调整中的关键频率特征和子域对齐.
研究的目的:
- 使用EEG数据提高基于变压器的MDD检测的准确性和通用性.
- 通过结合细粒度频率特征和子域对齐来解决全球域调整的局限性.
- 开发一种新型模型,增强EEG特征表示,有效地调整源域和目标域特征.
主要方法:
- 提出了与子域知识对齐 (SDKA) 集成的时间频空间变压器 (TFST) 用于MDD检测.
- 实施SDKA以分类主题为子域,提取细粒度的歧视性信息以提高概括性.
- 引入了使用离散小数变换 (DCT) 的频率注意力 (FA) 机制,以捕获和结合来自EEG信号的多个频率信息.
主要成果:
- 与最先进的方法相比,TFST-SDKA模型在MODMA和PRED+CT数据集上显示出更高的性能.
- 在MODMA数据集上获得1.42%的精度改善,在PRED+CT数据集上获得1.16%的精度改善.
- 该模型有效地增强了EEG特征表示,并改善了源-目标域对齐.
结论:
- 拟议的TFST-SDKA模型为基于EEG的MDD检测提供了显著的进步.
- 结合细粒度频率特征和子域对齐对于增强模型通用性至关重要.
- 开发的模型显示了在MDD诊断中准确可靠的临床应用的强大潜力.
