MVCA-Net:用于测量代表焦虑的EEG节奏的多视图卷积注意力网络

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 精神病学是一个精神病学.

背景情况:

• 焦虑严重影响日常生活,传统的评估依赖于自我报告问卷.
• 神经成像和计算机辅助技术的进步为增强焦虑诊断提供了潜力.
• 与焦虑相关的神经模式是复杂的,需要复杂的分析.

研究的目的:

• 开发和验证一种使用电脑电图 (EEG) 信号进行焦虑评估的新型深度学习模型.
• 从EEG数据中提取基于频率的特征,以识别表明焦虑的神经模式.
• 为了评估模型在分类不同程度的焦虑严重程度的准确性.

主要方法:

• 设计了一个结合卷积神经网络 (CNN),多头注意力变压器和注意力模块的深度学习模型.
• 该模型处理了从EEG信号中提取的基于频率的特征.
• 对公开可用的DASPSEEG数据集进行了验证,将参与者分为正常和焦虑状态 (进一步按严重程度划分).

主要成果:

• 该模型在二元分类 (正常与焦虑) 中实现了82.94%的准确性.
• 多类分类 (正常,轻度,中度,重度焦虑) 的平均准确率为74.05%.
• 这些发现表明该模型能够根据EEG特征区分焦虑水平.

结论:

• 拟议的深度学习模型有效地利用EEG频率特征进行焦虑评估.
• 这种方法有望提高各种严重程度的焦虑诊断的准确性和客观性.
• 利用先进的AI技术和神经成像数据可以为理解和管理焦虑障碍提供新的途径.