基于脑电图结合 CNN-GRU 混合深度神经网络与 MRMR 特征选择的抑郁症检测
定量方法
2026-01-19 v1 机器学习
摘要
本研究调查了使用深度学习方法对抑郁与非抑郁状态进行检测和分类。抑郁症是一种普遍的精神健康障碍，严重影响生活质量，早期诊断可大幅提升治疗效果与患者护理。然而，常规诊断方法严重依赖自我报告评估，这通常具有主观性且可能缺乏可靠性。因此，强烈需要客观且准确的技术来识别抑郁状态。在本工作中，提出了一种基于深度学习的框架，利用 EEG 信号进行抑郁症的早期检测。EEG 数据捕捉了潜在的脑活动且不受外部行为因素影响，能够揭示与抑郁症相关的细微神经变化。所提方法结合卷积神经网络与门控循环单元，以联合提取 EEG 记录中的空间与时间特征。随后应用最小冗余最大相关算法选择最具信息量的特征，并使用全连接神经网络进行分类。结果表明，所提模型在准确识别抑郁状态方面取得了高性能，总体准确率达 98.74%。通过有效整合时间与空间信息并采用优化的特征选择，该方法展现出作为可靠临床应用工具的巨大潜力。总体而言，所提框架不仅能实现准确的抑郁症早期检测，还具有支持改善治疗策略与患者预后的潜力。
引用
@article{arxiv.2601.10959,
title = {Depression Detection Based on Electroencephalography Using a Hybrid Deep Neural Network CNN-GRU and MRMR Feature Selection},
author = {Mohammad Reza Yousefi and Hajar Ismail Al-Tamimi and Amin Dehghani},
journal= {arXiv preprint arXiv:2601.10959},
year = {2026}
}
备注
20 pages, 8 figures