一种考虑电极空间拓扑与时间窗口过渡的时空融合网络用于 MDD 检测
机器学习
2026-02-02 v4 人工智能
摘要
近年来，研究者开始尝试基于深度学习的方法利用脑电图（EEG）信号检测重度抑郁症（MDD），以寻找更客观的诊断手段。然而，现有的时空特征提取方法仅考虑多电极间的功能相关性和 EEG 信号的时间相关性，忽略了电极间的空间位置连接信息以及时间窗口间的连续性，降低了模型的特征提取能力。为解决此问题，本研究提出了一种用于 MDD 检测的考虑电极空间拓扑与相邻时间窗口过渡信息的时空融合网络（SET-TIME）。SET-TIME 由一个公共特征提取器、一个次级时间相关性特征提取器和一个域适应（DA）模块组成，其中前者用于获取时空特征，后者可挖掘多个时间窗口间的相关性，DA 模块用于增强跨被试检测能力。十折交叉验证的实验结果表明，所提出的 SET-TIME 方法在公开数据集 PRED+CT 和 MODMA 上分别达到 92.00% 和 94.00% 的 MDD 检测准确率，优于最先进（SOTA）方法。消融实验证明了 SET-TIME 中多个模块的有效性，它们通过探索 EEG 信号的内在时空信息辅助 MDD 检测。
引用
@article{arxiv.2411.08521,
title = {A spatiotemporal fused network considering electrode spatial topology and time-window transition for MDD detection},
author = {Chen-Yang Xu and Han-Guang Wang and Lan Zhang and Yong-Hui Zhang and Hui-Rang Hou and Qing-Hao Meng},
journal= {arXiv preprint arXiv:2411.08521},
year = {2026}
}
备注
21pages, 8 figures