E-DANN:一个增强的域适应网络,用于在可解释的抑郁症识别中进行音频-EEG特征脱

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 抑郁症是一个重大的全球健康挑战.
• 人工智能技术越来越多地用于客观地检测抑郁症.
• 现有的人工智能模型往往缺乏可解释性,并且具有重要性评估.

研究的目的:

• 提出一个新的框架,增强域对抗神经网络 (E-DANN),用于可解释的抑郁症检测.
• 结合音频特定的物理性质和电脑电图 (EEG) 响应,用于多模式特征提取.
• 提高人工智能辅助诊断系统的临床可靠性.

主要方法:

• 从音频特性和EEG信号中提取关节特征.
• 使用E-DANN的功能解框架,使用对抗训练.
• 使用解的私有特征来对二进制低谷分类.
• 应用可解释的人工智能 (XAI) 进行特征重要性可视化.

主要成果:

• E-DANN框架在对有抑郁症和没有抑郁症的个体进行分类时取得了很高的准确性 (准确率:92.83%).
• 在特异性 (93.56%),灵敏性 (91.61%) 和F1评分 (91.81%) 方面表现出强的表现.
• XAI方法成功地可视化了特征的重要性和复杂的相互作用.

结论:

• 拟议的E-DANN框架对于准确和可解释的抑郁症检测是有效的.
• 这项研究为开发可靠的人工智能精神健康诊断工具提供了基础.
• 整合多式联络数据和可解释性提高了AI在诊断抑郁症方面的临床实用性.