QuanvNeXt：用于基于 EEG 检测重度抑郁症的端到端量子卷积神经网络
机器学习
2025-12-11 v1
摘要
本研究提出了 QuanvNeXt，一种用于基于 EEG 抑郁症诊断的端到端全量子卷积模型。QuanvNeXt 融合了新颖的交叉残差块，在保持参数效率的同时降低了特征同质性并增强了跨特征关系。我们在两个开源数据集上评估了 QuanvNeXt，其平均准确率达到 93.1%，平均 AUC-ROC 达到 97.2%，优于 InceptionTime（91.7% 准确率，95.9% AUC-ROC）等 SOTA 基线。跨高斯噪声水平的不确定性分析表明，预测校准良好，即使在最高扰动（{\epsilon} = 0.1）下，ECE 分数仍保持从低（0.0436，数据集 1）到中等（0.1159，数据集 2）的水平。此外，事后可解释 AI 分析证实，QuanvNeXt 能够有效识别并学习区分健康对照组与重度抑郁症的时频模式。总体而言，QuanvNeXt 为基于 EEG 的抑郁症诊断建立了一种高效且可靠的方法。
引用
@article{arxiv.2512.09517,
title = {QuanvNeXt: An end-to-end quanvolutional neural network for EEG-based detection of major depressive disorder},
author = {Nabil Anan Orka and Ehtashamul Haque and Maftahul Jannat and Md Abdul Awal and Mohammad Ali Moni},
journal= {arXiv preprint arXiv:2512.09517},
year = {2025}
}
备注
Under review