带缺失EEG通道的不完整抑郁特征选择
机器学习
2025-11-18 v1 人工智能
摘要
作为一种严重影响人类身心健康的精神疾病，抑郁症具有显著的负面影响。最近在基于EEG的抑郁分析方面的进展，显示出在提高抑郁检测准确率方面具有潜力。然而，EEG特征常常包含冗余、无关以及噪声信息此外，现实中的EEG数据获取常常面临电极脱落导致数据丢失以及严重噪声干扰等挑战。为解决这些挑战，我们提出了一种用于稳健抑郁分析的新颖特征选择方法，称为带缺失EEG通道的不完整抑郁特征选择（Incomplete Depression Feature Selection with Missing EEG Channels, IDFS-MEC）。IDFS-MEC将缺失通道指示信息和自适应通道加权学习集成到正交回归中，以减轻不完整通道对模型构建的影响，然后利用全局冗余最小化学习来减少所选特征子集之间的冗余信息。在MODMA和PRED-d003数据集上进行的大量实验表明，IDFS-MEC所选取的EEG特征子集在3通道、64通道和128通道设置下，均优于10种流行的特征选择方法。
引用
@article{arxiv.2511.11651,
title = {Incomplete Depression Feature Selection with Missing EEG Channels},
author = {Zhijian Gong and Wenjia Dong and Xueyuan Xu and Fulin Wei and Chunyu Liu and Li Zhuo},
journal= {arXiv preprint arXiv:2511.11651},
year = {2025}
}