Bridging Accuracy and Explainability in EEG-based Graph Attention Network for Depression Detection
Soujanya Hazra and Sanjay Ghosh
抑郁症是全球精神疾病的主要原因,并严重影响自杀率。 及时、准确的诊断对于有效干预至关重要。 脑电图(EEG)提供了一种非侵入性和可访问的方法来检查大脑活动和识别疾病相关的模式。 我们提出了一种新的基于图形的深度学习框架,名为Edge-gated,轴混合池注意力网络(ExPANet),用于将重度抑郁症(MDD)患者与健康控制(HC)区别对待。 脑电图记录经过预处理以消除工件,并细分为短时间活动。 我们从每个段提取 14 个特征,包括时间、频率、分形和复杂度域。 电极表示为节点,而边缘则由相锁值(PLV)确定,以表示功能连接。 生成的脑图使用适应的图形注意力网络进行检查。 该架构既具有局部电极特性,又具有全面的功能连接模式。 拟议的框架在两个不同的数据集中相对于当前基于EEG的方法获得卓越的性能。 我们方法的一个基本优点是可解释性。 我们评估了特征、通道和边缘的重要性,以及内在的注意力权重。 这些研究强调了与MDD特别相关的特征,大脑区域和连接关联,其中许多与临床数据相对应。 我们的发现证明了一种可靠和透明的基于脑电图的MDD筛查方法,使用具有临床相关结果的深度学习。
Depression is a major cause of global mental illness and significantly influences suicide rates. Timely and accurate diagnosis is essential for effective intervention. Electroencephalography (EEG) provides a non-invasive and accessible method for examining cerebral activity and identifying disease-associated patterns. We propose a novel graph-based deep learning framework, named Edge-gated, axis-mixed Pooling Attention Network (ExPANet), for differentiating major depressive disorder (MDD) patien...
