机构名称：
¥ 1.0
在线端到端脑电图（EEG）具有高性能的分类可以评估严重抑郁症患者（MDD）患者的大脑状况（MDD），并在及时跟踪其发育状况，以最大程度地减少陷入危险和自杀的风险。但是，由于（1）嵌入式密集的噪声以及由大脑状态的进化确定的内在非平稳性，这仍然是一项巨大的研究挑战，（2）在脑部疾病攻击过程中缺乏有效的神经网络与脑状态之间复杂关系的脱钩。这项研究设计了基于频道的卷积神经网络（CNN），即FCCNN，以准确而快速地识别抑郁症，这将脑部节律融合到分类器的注意机制中，旨在将数据的最重要部分集中在数据中最重要的部分并改善分类效果。此外，为了了解分类器的复杂性，本研究提出了一种基于高性繁殖（AP）聚类分区的信息熵的计算方法，以衡量在每个通道或大脑区域上作用的分类器的复杂性。我们在抑郁评估上进行实验，以识别健康和MDD。结果报告说，所提出的解决方案可以识别MDD的精度为99±0.08％，灵敏度为99.07±0.05％，而特定率为98.90±0.14％。此外，关于FCCNN的定量解释的实验说明了抑郁症患者的额叶，左和右颞叶与健康对照组之间的显着差异。
对基于频率通道的CNN解释抑郁识别
主要关键词
相关文件推荐
