科研之友
微信
新浪微博
Facebook
分享链接
摘要
在通过深度学习模型进行抑郁症类脑电信号分析时，针对单一尺度的卷积存在特征提取不充分的问题和卷积神经网络在感知脑电信号全局依赖性方面的局限性，分别设计了多尺度动态卷积网络模块和门控Transformer编码器模块，并与时间卷积网络相结合，提出了混合网络模型(MGTTCNet)进行抑郁症患者和健康对照组的脑电信号分类。该模型首先通过多尺度动态卷积从空间域和频率域捕捉脑电信号的多尺度时频信息。其次通过门控Transformer编码器学习脑电信号中的全局依赖关系，其利用多头注意力机制有效增强网络表达相关脑电信号特征的能力。之后利用时间卷积网络提取脑电信号可用的时间特征，最后将提取的抽象特征输入到分类模块进行分类。在公开数据集MODMA上用留出法和十折交叉验证法对提出模型进行实验验证，分别取得了98.51%和98.53%的分类准确率，相较于基线单尺度模型EEGNet，分类准确率分别提升了1.89%和1.93%，F1值分别提升了2.05%和2.08%，kappa系数值分别提高了0.0381和0.0385，同时消融实验验证了本文设计的各个模块的有效性。
- 单位
