一个可解释的混合神经网络集成Sinc-Convolution和变压器用于基于EEG的抑郁症检测
Minmin Miao1, Qianqian Tan1, Ke Zhang1
1School of Information Engineering, Huzhou University Huzhou 313000, P. R. China.
International journal of neural systems
|January 9, 2026
概括
这项研究介绍了SINCFORMER-SHAP,一种可解释的神经网络,用于使用电脑电图 (EEG) 数据检测抑郁症. 该模型提高了诊断准确性和可解释性,识别了抑郁症的潜在生物标志物.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 机器学习 机器学习
背景情况:
- 电脑电图 (EEG) 记录对于抑郁症的检测非常有价值.
- 卷积神经网络 (CNN) 是有前途的,但在捕捉全球依赖性和可解释性方面存在局限性.
研究的目的:
- 提出一个可解释的混合神经网络,SINCFORMER-SHAP,用于使用EEG改进抑郁症检测.
- 为了解决CNN在接收场大小和参数数量方面的局限性.
主要方法:
- 开发了SINCFORMER-SHAP,这是一个带有空间频率和时间特征提取模块的混合模型.
- 采用基于sinc的卷积用于空间光谱模式和转换器用于全球时间域依赖.
- 利用内核可视化和SHAP来提高可解释性.
主要成果:
- 与公共数据集 (MODMA,EDRA,Mumtaz) 上的最先进方法相比,SINCFORMER-SHAP实现了更高的性能.
- 识别了各种大脑区域的α和gamma节律中的潜在生物标志物.
- 通过可视化和SHAP分析证明了增强的模型解释性.
结论:
- 通过使用EEG,SINCFORMER-SHAP为抑郁症诊断提供了一种有效和可解释的方法.
- 这些发现推动了用于实际精神病学应用的计算诊断技术的发展.