基于概率稀疏自注意力神经网络的重性抑郁疾患诊断

• 全文链接
• 请求原文

作   者：

秦璟;  秦志光;  李发礼;  彭悦恒; 

作者机构：

电子科技大学生命科学与技术学院;  电子科技大学信息与软件工程学院; 

关键词：

自注意力机制;  卷积神经网络;  深度学习;  抑郁症诊断;  脑电图; 

期刊名称：

计算机应用

i s s n：

1001-9081

年卷期：

2024 年 44 卷 009 期

页   码：

2970-2974

摘   要：

抑郁症的诊断主要依赖于医师的咨询和量表评估等主观方法,可能导致误诊.脑电图(EEG)具有高时间分辨率、低成本、易于设置和无创等优点,因此可以用作精神障碍(如抑郁症)的定量测量工具.深度学习算法目前在EEG信号上有多种应用,其中就包括抑郁症的诊断和分类.EGG信号在通过自注意力机制处理时有大量的冗余部分,因此,提出一种基于概率稀疏自注意力机制的卷积神经网络(PSANet).首先,根据采样因数在自注意力机制中选取少量最关键的注意力点,在运用自注意力机制的同时克服它计算成本高的缺点,使它可以在脑电长序列数据上应用;同时将脑电图与患者的生理量表进行嵌合,从而进行多维度诊断.在一个包含抑郁症患者和健康对照组的数据集上进行实验评估,实验结果表明,PSANet表现出较高的分类准确性,参数量也低于EEGNet等对比方法.