[基于改善的变化模式分解来识别抑郁症的脑电图信号分解]
1School of Electronic and Information Engineering, Lanzhou Jiaotong University, Lanzhou 730070, P. R. China.
概括
这项研究引入了一种改进的变化模式分解 (VMD) 方法,用于使用电脑电图 (EEG) 信号准确识别抑郁症 (DP). 这种新的方法达到高达94.47%的准确性,为DP检测提供了潜在的计算机辅助工具.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 抑郁症识别准确性需要提高.
- 电脑电图 (EEG) 信号为非侵入性抑郁症检测提供了潜力.
- 现有的信号处理方法可能需要对复杂的EEG数据进行优化.
研究的目的:
- 开发一种改进的变化模式分解 (VMD) 方法,以准确识别抑郁症 (DP).
- 为了增强来自EEG信号的特征提取,用于DP检测.
- 为DP识别创建一个强大的深度学习模型.
主要方法:
- 适应性粒子群集优化 (APSO) 用于优化EEG信号分解的VMD参数 (K和α).
- 脑电图信号被否定并重建以提取频率空间特征.
- 为DP识别开发了一种2D-CNN-BiLSTM-SA模型,其中包含了一种自我注意机制.
主要成果:
- 与标准VMD相比,改进的VMD方法显示出更高的性能.
- 拟议的2D-CNN-BiLSTM-SA模型实现了高DP识别精度,高达94.47%.
- 从denoisedEEG信号中提取的频率空间特征对DP检测有效.
结论:
- 改进的VMD方法有效地增强了EEG信号处理以识别抑郁症.
- 2D-CNN-BiLSTM-SA模型显示了准确可靠的DP检测的巨大潜力.
- 这项研究为临床抑郁症评估提供了一个有前途的计算机辅助工具.
