通过多域EEG特征融合和多头附加注意网络区分早期抑郁症和负面情绪

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 计算精神病学是一种计算精神病学.

背景情况:

• 早期抑郁症诊断受到主观临床评估的挑战.
• 需要客观的查方法来提高诊断准确度.
• 电脑电图 (EEG) 信号提供了抑郁症神经生理变化的潜在生物标志物.

研究的目的:

• 开发一个轻量级的神经网络框架,用于使用EEG信号进行客观抑郁查.
• 为了区分病态抑郁状态和短暂的负面情绪.
• 为了提高抑郁症检测的准确性和效率.

主要方法:

• 利用波段包分解来从EEG信号中创建一个多域特征空间.
• 集成频率 (α/β功率光谱密度比),空间 (规范化α-不对称) 和非线性 (样本) 特性.
• 采用多头附加注意力机制,以适应性衡量各种神经生理学属性.

主要成果:

• 在合并的DEAP和HUSM数据集上获得了92.2%的分类准确度和93%的F1分数.
• 与支持矢量机器 (SVM) 和标准深度学习模型相比,其表现优越.
• 拟议的框架显示了高计算效率和快速融合.

结论:

• 开发的神经网络框架提供了使用EEG进行抑郁查的客观和有效方法.
• 多领域的特征集成和注意力机制增强了检测抑郁状态的辨别能力.
• 该模型的效率表明它可用于实时临床心理健康监测.