基于特征融合与注意力机制的CNN抑郁症识别

快速准确识别、筛查和预警轻度抑郁症具有重要现实意义,利用脑电数据和深度学习算法可以对精神心理疾病进行机器识别。提出一种基于特征融合的卷积神经网络(CNN)模型,实现抑郁症的有效识别。将注意力机制引入CNN模型,提取高效的时空特征图,增强特征的多样性,降低个体差异性的影响。结果表明:采用脑电gamma节律,模型对抑郁症平均识别准确率达到(99.39±0.14)%。此外,通过对卷积层特征图的可视化分析,获得了抑郁症和正常被试脑电差异性电极,并进行少电极抑郁症分类,识别准确率达到(91.41±1.11)%。由此可见,该深度学习模型能够对轻度抑郁症进行有效识别和筛查。

轻度抑郁症脑电特征分析与机器识别研究

轻度抑郁症的快速筛查和识别具有重要现实意义.采用静息态脑电信号探索了轻度抑郁症机器识别的有效方法,旨在找出与抑郁关系密切的脑电特性以及分类算法.首先,对各个导联的原始脑电数据加时间窗分段,计算抑郁症患者和正常人的脑电活动性、移动性、复杂度;然后,采用Burg算法和小波变换,分别提取每段脑电信号的频域特征和时频非线性特征;最后,利用支持向量机算法进行抑郁脑电分类,分析不同时间窗口、导联组合、特征组合、节律组合以及机器学习算法对识别结果的影响.实验结果表明:使用支持向量机分类器,选用20 s时间窗口,在O2、T5导联组合,以及活跃度、移动性、小波能量熵、小波奇异熵特征组合和脑电alpha、beta、gamma节律组合下,得到抑郁识别准确率94.24%、召回率92.35%、精确度96.23%的最佳分类结果.