GCTNet : un réseau de transformateur de convolution en graphes pour la détection des troubles dépressifs majeurs à partir des signaux EEG

GCTNet：Réseau de Transformateurs à Convolution de Graphe pour la Détection de la Dépression Majeure Basée sur des Signaux EEG

Contexte de la Recherche

La dépression majeure (Major Depressive Disorder, MDD) est une maladie mentale courante caractérisée par des humeurs dépressives significatives et persistantes, touchant plus de 350 millions de personnes dans le monde. La MDD est l’une des principales causes de suicide, provoquant environ 800 000 décès chaque année. À l’heure actuelle, le diagnostic de la MDD repose principalement sur les auto-déclarations des patients et le jugement professionnel des cliniciens. Cependant, la subjectivité du processus diagnostic peut entraîner une faible cohérence entre différents médecins, ce qui peut entraîner des diagnostics inexacts. Des études ont montré que le taux de précision des médecins généraux pour le diagnostic de la MDD est d’environ 47,3 %. Par conséquent, explorer des indicateurs physiologiques objectifs et fiables, et utiliser des méthodes efficaces pour identifier la MDD en temps opportun, est crucial pour favoriser un diagnostic précoce et une intervention.

Origine de l’Article

Cet article a été rédigé conjointement par Yuwen Wang, Yudan Peng, Mingxiu Han, Xinyi Liu, Haijun Niu de l’Institut d’Innovation Avancée pour l’Ingénierie Biomédicale de Beijing, et Jian Cheng de l’École de Science et d’Ingénierie Informatiques, ainsi que Suhua Chang de l’Hôpital Sixième de l’Université de Pékin. L’article a été publié dans le «Journal of Neural Engineering».

Processus et Méthodes de la Recherche

Cet article propose un réseau de transformateurs à convolution de graphe (GCTNet) pour détecter la MDD basé sur des signaux d’électroencéphalogramme (EEG). Le processus de recherche couvre la collecte des données, le prétraitement, la construction du modèle et l’évaluation des performances.

1. Collecte et Prétraitement des Données : Les données de recherche sont divisées en deux ensembles : un ensemble de données auto-collectées et un ensemble de données publiques. L’ensemble de données auto-collectées comprend 85 sujets, tandis que l’autre ensemble de données publiques comprend 64 sujets. Tous les enregistrements EEG des participants sont effectués en état de repos les yeux fermés. Les signaux EEG sont prétraités par filtrage, élimination des artefacts et sous-échantillonnage, et finalement segmentés en échantillons de 5 secondes.

2. Construction du Modèle : Principalement composé de trois modules : un module de réseau de convolution de graphe résiduel (resGCN), un module de transformateur et un bloc de lecture (Readout). Le module resGCN est responsable de l’extraction des caractéristiques spatiales des données EEG, le module de transformateur extrait les caractéristiques temporelles de la séquence de signaux EEG, et le bloc de lecture fusionne les sorties des deux modules pour effectuer la classification. La Figure 2 montre l’architecture globale de GCTNet.

   • Module resGCN : Utilise la valeur de verrouillage des phases (PLV) pour construire la matrice d’adjacence du graphe EEG, extrait les représentations des nœuds par des convolutions de graphe à plusieurs couches, et améliore la sensibilité grâce à une connexion résiduelle.
   • Module de Transformateur : Contient un module de convolution, des embeddings de position, un cls_token apprenable, et plusieurs couches de codeur transformateur. Le transformateur capture la dépendance séquentielle des signaux EEG.
   • Bloc de Lecture : Fusionne les caractéristiques extraites par les deux modules précédents et les projette dans un espace de classification tout en calculant la perte de l’entropie croisée contrainte (Contrastive Cross-Entropy, CCE).

3. Fonction de Perte de l’Entropie Croisée Contraste (CCE) : Combine la perte de contraste supervisé (SupCon) et la perte d’entropie croisée (CE) traditionnelle, améliorant considérablement l’efficacité de la détection de la MDD en optimisant les représentations des caractéristiques et la performance de classification.

Résultats de la Recherche

La recherche a été évaluée en détail sur l’ensemble de données auto-collectées (ensemble de données I) et l’ensemble de données publiques (ensemble de données II), utilisant la validation croisée à 10 plis et la méthodologie de partitionnement des données par sujet indépendant. Les résultats montrent que GCTNet surpasse d’autres algorithmes en termes de précision, AUC, sensibilité et spécificité.

• Sur l’ensemble de données I, GCTNet a obtenu une AUC