可解释深度学习用于使用EEG信号检测神经病人的抑郁症
Parisa Khaleghi1, Duygu Cakir2, Ali Hamidoğlu3,4
1Department of Artificial Intelligence, Faculty of Engineering and Natural Sciences, Bahçeşehir University, Turkey.
MethodsX
|December 24, 2025
概括
这项研究引入了一个可解释的深度学习框架,用于在神经病患者中使用电脑电图 (EEG) 信号客观检测抑郁症. 人工智能模型实现了98%的准确性,为心理健康护理提供了一个透明和数据驱动的工具.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 抑郁症影响全球超过2.8亿人,神经病患者面临更高的风险.
- 目前的抑郁症诊断依赖于主观方法,阻碍了一致和可重复的临床评估.
- 需要客观的诊断工具来补充临床判断,特别是神经疾病中药物诱导的抑郁症.
研究的目的:
- 开发和验证可解释的深度学习框架,用于使用电脑电图 (EEG) 信号客观检测抑郁症.
- 为了实现临床透明度,将基于EEG的高精度抑郁症分类与可解释的AI相结合.
- 确定特定的EEG生物标志物,表明神经病患者的抑郁症.
主要方法:
- 在232名神经病患者的EEG数据上开发和训练了一种轻量级的深度学习模型.
- 该模型整合了EEG衍生特征用于抑郁症分类.
- 采用SHAP (夏普利添加式解释) 分析来解释模型的预测,并确定关键生物标志物.
主要成果:
- 深度学习框架在检测抑郁症方面实现了98%的分类准确性.
- SHAP分析发现了重要的EEG生物标志物,包括三角形/α比率和乙太频段功率.
- 该模型显示了高的诊断准确性,同时保持了临床解释性.
结论:
- 拟议的可解释深度学习框架提供了一个基于EEG的透明,准确和可扩展的抑郁症检测工具.
- 这种客观的方法可以减少对主观评估的依赖,提高心理健康护理的一致性.
- 该框架通过与现有EEG基础设施整合并补充临床决策来支持临床采用.
