希尔伯特-黄转换嵌入式自我注意神经网络基于EEG的大型抑郁症与健康对照的分类
Junxian Chen1, Kaikun Tian2, Yu Ye3
1Suzhou Industrial Park Institute of Services Outsourcing, School of Information Engineering, Suzhou, Jiangsu, China.
Frontiers in psychiatry
|November 24, 2025
概括
这项研究引入了一种使用EEG信号和希尔伯特-黄变换集成自我注意神经网络 (HHT-SANN) 的新方法,用于精确的抑郁查. HHT-SANN模型有效地将主要抑郁症患者与健康个体区分开来.
科学领域:
- 神经科学是一个神经科学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 重度抑郁症 (MDD) 诊断依赖于临床评估,这些评估可能是主观的.
- 来自脑电图 (EEG) 信号的客观生物标志物有可能改善抑郁症查.
- 现有的EEG分析方法可能无法完全捕捉MDD的复杂非线性时间光谱模式.
研究的目的:
- 开发和验证一种新的方法,用EEG信号来区分MDD患者和健康对照 (HC) 患者.
- 将希尔伯特-黄变换 (HHT) 与自我注意神经网络 (SANN) 集成,以进行增强的EEG数据分析.
- 通过先进的神经信息技术,提高抑郁症检测的准确性和稳定性.
主要方法:
- 提出了一个混合模型,希尔伯特-黄转换-自我注意神经网络 (HHT-SANN).
- 使用HHT来增强时间频率分析和EEG信号的非线性处理.
- 在34名MDD患者和30名HC患者的临床EEG数据集上训练和评估了HHT-SANN模型.
主要成果:
- HHT-SANN模型实现了高分类性能.
- 精度达到了98.78%,灵敏度为99.23%,特异性为98.27%.
- 与抑郁症检测传统模型相比,拟议的方法表现出更高的性能.
结论:
- HHT-SANN方法提供了一种使用EEG数据进行抑郁查的强大有效方法.
- 这种技术提高了心理健康的解释性和诊断能力.
- 这项研究有助于推进神经信息学,以便更准确地诊断心理健康.
