基于EEG信号检测重度抑郁症的图卷积Transformer网络GCTNet

2024-06-04 Tue
GCTNet：基于EEG信号检测重度抑郁症的图卷积Transformer网络研究背景重度抑郁症（Major Depressive Disorder, MDD）是一种普遍的精神疾病，其特征是显著且持续的低落情绪，全球约有超过3.5亿人受到影响。MDD是导致自杀的主要原因之一，每年约有80万人因此丧生。当前MDD的诊断主要依赖于患者的自我报告和临床医生的专业判断。然而，诊断过程的主观性可能会导致不同医生之间的一致性较低，从而可能产生不准确的诊断。研究发现，被诊断为MDD的一般医生的正确率仅为47.3%。因此，探索客观可靠的生理指标，并采用有效的方法及时识别MDD，对于促进早期诊断和干预至关重要。
论文来源本论文由Beijing Advanced Innovation Center for Biomedical Engineering的Yuwen Wang、Yudan Peng、Mingxiu Han、Xinyi Liu、Haijun Niu、及School of Computer Science and Engineering的Jian Cheng、Peking University Sixth Hospital的Suhua Chang共同撰写，论文发表于《Journal of Neural Engineering》。
研究流程及方法本文提出了一种基于脑电图（EEG）信号检测MDD的图卷积Transformers网络（GCTNet）。该方法的研究流程包括数据采集、预处理、模型构建及性能评价等环节。
数据采集与预处理：研究数据分为两个数据集：自采和公开数据集。其中，自采数据集包含85名受试者，另外一个公开数据集包含64名受试者。所有参与者的EEG记录均在闭目静坐（eyes-closed）状态下进行。脑电图信号经过滤波、去除伪影、降采样等预处理步骤，最终分割成5秒的样本。
模型构建：主要由三个模块组成：残差图卷积网络（resGCN）模块、Transformer模块和Readout块。其中，resGCN模块负责提取EEG数据的空间信息特征，Transformer模块提取EEG信号序列的时间特征，而Readout块则将两个模块的输出融合，进行分类处理。《图2》展示了GCTNet的整体架构。
resGCN 模块：使用相位锁定值（PLV）构建EEG图的邻接矩阵，通过多层图卷积提取各节点的表示，并结合残差连接增强敏感性。
Transformer 模块：包含卷积模块、位置嵌入、有可学习的cls_token，以及多层Transformer编码器。Transformer用于捕捉EEG信号的顺序依赖性。
Readout 块：将前两块输出的特征融合并输出到分类空间和投影空间，同时计算对比交叉熵（Contrastive Cross-Entropy, CCE）损失。
对比交叉熵（CCE）损失函数：结合了监督对比（SupCon）损失和传统交叉熵（CE）损失，通过优化特征表示和分类性能大幅提高MDD的识别效果。
研究结果研究在自采数据集（数据集I）和公开数据集（数据集II）上进行了详细评估，采用10折交叉验证和独立受试者数据分区方法。结果显示，GCTNet在准确率、AUC、敏感性和特异性等指标上均优于其他算法。
在数据集I上，GCTNet的AUC值为0.7693，准确率为74.84%，敏感性为66.73%，特异性为80.75%。
在数据集II上，GCTNet的AUC值为0.9755，准确率为95.63%，敏感性为98.43%，特异性为92.87%。还通过对比多种深度学习模型，GCTNet在检测MDD方面表现出色，显著提升了分类性能。
结论及意义本文提出的GCTNet框架在MDD的检测中表现卓越，为临床辅助诊断提供了坚实的科学依据。综合评价表明，通过引入PLV构建邻接矩阵、使用Transformer捕获时间信息以及采用对比交叉熵损失，显著增强了模型的稳定性和区分能力。这不仅具有重要的科学价值，还在实际应用中具有潜在的重要意义。
亮点与创新点方法创新：提出了将图卷积网络与Transformer相结合的新架构，兼顾空间与时间特征的提取。
损失函数：引入对比交叉熵（CCE）损失，大幅提高了模型的分类性能，验证其优越性。
综合评估：通过全面的实验和对比分析，证明了GCTNet在MDD检测中的优越性能。
总结与展望本研究提出的GCTNet框架及优化方法在脑电图信号解码及重度抑郁症识别方面展示了良好的性能，为进一步研究和实际应用提供了新的思路和方法。未来的研究可以继续深入探索不同脑电图信号特点，并扩展生成更广泛的数据集以进一步验证模型的可扩展性和鲁棒性。