动态奖励增强集体学习用于EEG信号分类在大型抑郁症中
Jin Xu1, Yu Ziwei1, Xu Zhaojun2
1School of Computer Science and Artificial Intelligence, Wuhan Textile University, Wuhan 430200, People's Republic of China.
Biomedical physics & engineering express
|December 10, 2025
概括
这项研究引入了基于代理的自适应集体学习 (AABEL) 框架,用于使用脑电图 (EEG) 诊断严重抑郁症 (MDD). 通过强化学习 (RL) 来动态调整模型贡献,AABEL提高了诊断的准确性和稳定性.
科学领域:
- 计算神经科学是一种神经科学.
- 神经工程是神经工程.
- 机器学习用于医疗保健
背景情况:
- 通过脑电图 (EEG) 诊断严重抑郁症 (MDD) 是具有挑战性的,因为神经信号的变化和静态分类模型的局限性.
- 传统的集体方法和单一的深度学习架构在适应性,概括性和处理EEG数据中的个人间神经生理差异或人工物方面扎.
研究的目的:
- 开发一个基于代理的自适应集体学习 (AABEL) 框架,将强化学习 (RL) 与神经计算原则相结合,以改进基于EEG的MDD诊断.
- 克服静态组合的不灵活性,并在临床EEG分析中提高深度学习模型的通用性.
主要方法:
- 实施RL驱动的自适应权重,通过奖励信号动态调整子模型 (CNN,GRU,变压器) 的贡献.
- 采用多级神经动力学特征融合,从EEG信号中提取互补的空间-光谱,时间-上下文和全球相互依存特征.
- 利用端到端奖励传播进行自动优化,直接将奖励计算与模型权重更新联系起来.
主要成果:
- 在OpenNeuro ds003478数据集上,AABEL取得了优异的分类性能,准确率为98.06%,F1得分为98.20%,明显优于静态组合.
- RL奖励机制提高了3.6%的分类稳定性,并提高了对噪声的强度.
- 与Fuzzy Ensemble基线相比,显示了96%的准确性改进.
结论:
- 通过将动态奖励增强学习与神经信号处理相结合,AABEL框架代表了基于EEG的适应性MDD诊断的新范式.
- 这种方法为心理健康监测提供了一个可扩展和个性化的框架,弥合了计算神经科学和翻译神经工程.
