基于离散傅里叶变换的频率特征融合图网络用于 fNIRS 精神疾病诊断
机器学习
2025-05-01 v1 人工智能
摘要
数据驱动的精神疾病诊断方法近年来在神经医学领域获得广泛关注，推动此领域数据集的发展。最近，基于图神经网络（GNN）的模型因其捕获脑通道功能连接的空间与时间视角而获得广泛采用。然而，其有效性受限于缺乏稳健的时序生物标志物。本文提出一种新型且高效的生物标志物，通过利用离散傅里叶变换（DFT）并设计基于时序图卷积网络（TGCN）的定制图网络架构。我们的模型在由 1,086 名受试者组成的数据集上进行训练，该数据集是该领域精神疾病诊断以往数据集的十倍以上。此外，为契合医学要求，我们采用倾向得分匹配（PSM）创建了精炼子集，称为 PSM 数据集。实验结果表明，融合我们新设计的生物标志物显著提升了脑通道时序特征的表征，两套数据集上的 F1 分数均得到改善。这一进展有望推动更有效的精神疾病诊断工具的开发。此外，我们使用 Shapley 加法解释（SHAP）验证了模型可解释性，确保其在医疗环境中的实际应用。
引用
@article{arxiv.2504.21064,
title = {Frequency Feature Fusion Graph Network For Depression Diagnosis Via fNIRS},
author = {Chengkai Yang and Xingping Dong and Xiaofen Zong},
journal= {arXiv preprint arXiv:2504.21064},
year = {2025}
}