一个带有预训练特征和代极坐标注意力的图形卷积网络,用于基于EEG的跨主体神经精神病学诊断

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 电脑电图 (EEG) 提供了神经精神疾病的非侵入性,具有成本效益的诊断.
• 脑电图信号的个体间变异性对跨主体概括提出了重大挑战.

研究的目的:

• 开发一个强大的图形卷积网络 (PreIPCA-GCN),以改善基于EEG的跨主体神经精神病学诊断.
• 整合预训练的时间特征和新的大脑连接模型,以提高诊断准确度.

主要方法:

• 使用修改后的LaBraM模型进行对象不变的EEG节点表示.
• 采用代极坐标注意力 (IPCA) 与皮尔森相关性和极空间的共弦相似性来建模功能性大脑连接.
• 引入了一种双路径的IPCA机制,以代地改进相邻矩阵.

主要成果:

• 在6个数据集和5个疾病中,PreIPCA-GCN实现了高跨主题准确度 (86.77%-95.69%持久,88.81%-97.49%LOOCV).
• 与最先进的方法相比,证明了卓越的性能.
• 除研究证实了预训练的特征和基于IPCA的连接模型的贡献.

结论:

• 预IPCA-GCN为基于EEG的跨主体神经精神病学诊断提供了一个强大的和可通用的框架.
• 该方法显示了未来临床应用在早期检测和诊断方面的巨大潜力.
• 整合预训练模型和先进的连接分析可以提高EEG诊断能力.