MMoGCN:用于EEG情绪和情绪障碍识别的图形卷积网络模型的多门混合

科学领域:

• 神经科学和计算精神病学
• 深度学习的应用在分析电脑电图 (EEG) 信号中用于精神状态评估.

背景情况:

• 情绪状态和情绪障碍是相互关联的,但当前的深度学习模型通常会独立分析它们.
• 现有的模型很难利用EEG数据中的共享特征来识别情绪和情绪障碍.
• 这种局限性阻碍了对情绪和情绪障碍之间的复杂相互作用的全面理解.

研究的目的:

• 开发一种基于EEG的新型深度学习框架,用于共同识别情绪和情绪障碍.
• 探索潜在的情绪状态和情绪障碍的共享神经表征.
• 为研究情绪和情绪障碍之间的复杂关系提供基础.

主要方法:

• 开发一个多门混合专家图形卷积网络 (MMoGCN) 模型.
• 利用差异 (DE) 进行强大的EEG信号特征提取.
• 整合了多门共享专家模块 (MGSE) 和具有适应权重损失 (AWL) 的自适应任务特定塔 (ATST) 以实现多任务学习.

主要成果:

• 与最先进的基线相比,MMoGCN在关节情绪和情绪障碍识别方面表现优越.
• 对公共DEAP数据集的验证证实了该模型的可扩展性和泛化能力.
• 这项研究成功地确定了健康个体和情绪障碍者之间的情绪反应中的认知差异.

结论:

• 拟议的MMoGCN提供了一种有效的多任务学习方法,用于基于EEG的联合情绪和临床状态识别.
• 这些发现为使用EEG分析复杂精神状态提供了方法的见解.
• 为认知康复策略提供潜在的指导,目标是认知和情绪方面的认知和情绪方面.