抑郁症诊断是医学领域的重要研究方向.而现有的抑郁症诊断方法存在高成本、低效率、准确率不高以及解释性不强等问题,为解决该问题,本文结合睡眠分期技术,提出一种基于睡眠脑电信号的抑郁症自动诊断算法.该方法首先通过卷积神经网络与...抑郁症诊断是医学领域的重要研究方向.而现有的抑郁症诊断方法存在高成本、低效率、准确率不高以及解释性不强等问题,为解决该问题,本文结合睡眠分期技术,提出一种基于睡眠脑电信号的抑郁症自动诊断算法.该方法首先通过卷积神经网络与双向长短时记忆神经网络结合,能够提取睡眠信号的高级特征,同时结合不同睡眠时期的关联性进行分析,提升了睡眠分期的准确率与可解释性.实验结果表明,这种方法在Sleep-EDF公开数据集中准确率最高能够达到95.82%,超越了大多数现有方法.随后,基于睡眠分期的结果,结合卷积神经网络提出了DepNet2D (depression net 2 dimension)模型,对REM期的脑电数据进行特征提取并分类.该模型能够有效地学习睡眠脑电的时空依赖关系,捕捉抑郁症患者大脑活动的特征模式,提高了识别患者频谱特征的准确率.实验结果表明,在抑郁症诊断任务中,本文提出的抑郁症筛查方法准确率达到了88.82%,与传统抑郁症诊断模型相比,具有更高的准确率.该方法增强了抑郁症诊断的可解释性,对现代抑郁症研究等分析研究具有一定的实用价值,为精神健康领域的研究和临床实践提供了新的思路和方法.展开更多
文摘抑郁症诊断是医学领域的重要研究方向.而现有的抑郁症诊断方法存在高成本、低效率、准确率不高以及解释性不强等问题,为解决该问题,本文结合睡眠分期技术,提出一种基于睡眠脑电信号的抑郁症自动诊断算法.该方法首先通过卷积神经网络与双向长短时记忆神经网络结合,能够提取睡眠信号的高级特征,同时结合不同睡眠时期的关联性进行分析,提升了睡眠分期的准确率与可解释性.实验结果表明,这种方法在Sleep-EDF公开数据集中准确率最高能够达到95.82%,超越了大多数现有方法.随后,基于睡眠分期的结果,结合卷积神经网络提出了DepNet2D (depression net 2 dimension)模型,对REM期的脑电数据进行特征提取并分类.该模型能够有效地学习睡眠脑电的时空依赖关系,捕捉抑郁症患者大脑活动的特征模式,提高了识别患者频谱特征的准确率.实验结果表明,在抑郁症诊断任务中,本文提出的抑郁症筛查方法准确率达到了88.82%,与传统抑郁症诊断模型相比,具有更高的准确率.该方法增强了抑郁症诊断的可解释性,对现代抑郁症研究等分析研究具有一定的实用价值,为精神健康领域的研究和临床实践提供了新的思路和方法.
