基于 EEG 信号的跨主体抑郁程度分类：一种样本置信方法
信号处理
2025-03-19 v1 人工智能
机器学习
摘要
脑电图 (EEG) 是一种用于实时神经监测的无创工具，广泛应用于抑郁检测中通过深度学习。然而，现有模型主要关注二元分类 (抑郁/正常)，缺乏对严重程度的细粒度评估。为此，我们提出了 DepL-GCN 模型，即基于 GCN 的抑郁程度分类方法。该模型针对两个关键挑战进行了解决：(1) 由于患者自我报告偏差导致的抑郁程度标签主观性；(2) 严重程度类别之间的类别不平衡问题。灵感来自模型学习模式，我们引入了两个新模块：样本置信模块和少数样本惩罚模块。前者利用预测误差的 L2 范数来逐步筛选训练期间标签对齐度较弱的 EEG 样本，从而减少主观性影响；后者自动提高被误分类的少数类别样本的权重，以解决不平衡问题。在两个公开 EEG 数据集上进行测试，DepL-GCN 在多类别严重程度识别中实现了 81.13% 和 81.36% 的准确率，优于基线模型。消融研究确认了两个模块的贡献。我们进一步讨论了基于回归模型的抑郁程度识别的优势与局限性。
引用
@article{arxiv.2503.13475,
title = {Cross-Subject Depression Level Classification Using EEG Signals with a Sample Confidence Method},
author = {ZhongYi Zhang and ChenYang Xu and LiXuan Zhao and HuiRang Hou and QingHao Meng},
journal= {arXiv preprint arXiv:2503.13475},
year = {2025}
}