NSSI-Net：一种用于半监督框架下的基于高维 EEG 的非自伤行为检测的多概念 GAN
机器学习
2025-04-04 v3 人工智能
摘要
非自伤行为（NSSI）是青少年身心健康的严重威胁，显著增加自杀风险，引发广泛关注。脑电图（EEG）作为识别脑障碍的客观工具，具有巨大的潜力。然而，从高维 EEG 数据中提取有意义且可靠的特征，尤其是将时空脑动力学整合为信息丰富的表示，仍是主要挑战。本研究引入一种先进的半监督对抗网络 NSSI-Net，用于有效建模与 NSSI 相关的 EEG 特征。NSSI-Net 由两个关键模块组成：空间-时间特征提取模块和多概念判别器。在空间-时间特征提取模块中，使用集成的 2D 卷积神经网络（2D-CNN）和双向门控循环单元（BiGRU）来捕获 EEG 数据中的空间和时间动力学。在多概念判别器中，充分探索了信号、性别、域和疾病水平，以考虑来自不同人群的个体、人口学、疾病变化。基于自收集的 NSSI 数据（n=114），该模型的有效性和可靠性得到证明，性能比现有机器学习和深度学习方法提高了 5.44%。该研究推进了青少年抑郁症 NSSI 的理解和早期诊断，实现了及时干预。源代码可在 https://github.com/Vesan-yws/NSSINet 查阅。
引用
@article{arxiv.2410.12159,
title = {NSSI-Net: A Multi-Concept GAN for Non-Suicidal Self-Injury Detection Using High-Dimensional EEG in a Semi-Supervised Framework},
author = {Zhen Liang and Weishan Ye and Qile Liu and Li Zhang and Gan Huang and Yongjie Zhou},
journal= {arXiv preprint arXiv:2410.12159},
year = {2025}
}