科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 基于睡眠脑电信号，探索深度学习Vision Transformer(ViT)结合Transformer网络对抑郁症患者识别的有效性。方法 首先对28例抑郁症患者和37例正常对照的睡眠脑电信号进行预处理，并将信号转为图像格式，保留其频域及空间域特征信息，之后将图像输送到ViT-Transformer编码网络，分别学习抑郁症患者和正常对照的快速眼动（rapid eye movement, REM）睡眠期和非快速眼动（non-rapid eye movement, NREM）睡眠期的脑电信号特征，并对抑郁症进行识别。结果 基于ViT-Transformer网络，从不同脑电频率角度，发现delta、theta和beta波的组合对抑郁症识别具有比较好的结果。其中，REM期delta-theta-beta波组合的脑电信号特征对抑郁症识别的准确率达92.8%，精准率为93.8%，抑郁症患者的召回率为84.7%,F0.5值为0.917±0.074;NREM期delta-theta-beta波组合的脑电信号特征对抑郁症的识别准确率为91.7%，精准率为90.8%，召回率为85.2%,F0.5值为0.914±0.062。此外，通过对整夜睡眠脑电的睡眠分期进行可视化，发现分类错误通常发生在睡眠期转期时。结论 应用深度学习ViT-Transformer网络，本研究发现基于delta-theta-beta波组合的REM期睡眠脑电信号特征对抑郁症识别更有效。
