整合皮质源重建和对抗性学习用于EEG分类

科学领域:

• 神经科学
• 人工智能
• 医疗诊断

背景情况:

• 目前的抑郁症诊断依赖于主观方法, 缺乏客观性.
• 脑电图 (EEG) 为客观的抑郁症评估提供了一个非侵入性的,具有成本效益的替代方案.
• 现有的EEG分析面临着像体积传导和类不平衡这样的挑战, 阻碍了诊断准确性.

研究的目的:

• 开发一种先进的深度学习模型,使用EEG信号准确客观地分类抑郁症.
• 克服目前EEG分析的局限性,包括体积传导效应和类不平衡.
• 提高基于EEG的抑郁症诊断的可靠性和性能.

主要方法:

• 提出了一个多阶段的深度学习模型,集成皮质特征提取 (CFE),特征注意力 (FA),图形卷积网络 (GCN) 和焦点对抗域适应 (FADA).
• CFE使用标准化的低分辨率脑电磁断层扫描 (sLORETA) 来进行皮质信号重建和特征提取.
• FA使用多头自我注意力来增强时空特征表示,而GCN则模拟功能连接.
• FADA使用焦点损失和梯度逆转层 (GRL) 来缓解域位移和类不平衡.

主要成果:

• 拟议的模型在PRED+CT数据集上实现了85.33%的分类准确性.
• 与现有最先进的方法相比, 显示出2.16%的显著改善.
• 有效地解决了EEG数据固有的体积传导效应和类不平衡问题.

结论:

• 开发的多阶段深度学习模型显示了通过EEG对客观抑郁症诊断的重大前景.
• CFE,FA,GCN和FADA的整合有效地提高了基于EEG的抑郁症分类性能.
• 与目前的技术相比,这种方法提供了更准确,更可靠的抑郁症识别方法.