基于多域特征结合CBAM模型的脑电信号抑郁识别

摘要：

目前脑电信号(EEG)的抑郁症识别方法主要采用单一特征提取方法,无法覆盖多域特征信息,导致现有模型分类性能不高,因此提出了一种多域特征结合CBAM模型(CNN-BiLSTM-attention mechanism)的抑郁症识别算法.首先利用连续小波变换(CWT)提取时频域特征,并结合脑电电极空间信息构成2D特征图像,共同保留脑电的空间、时间和频率信息;然后使用卷积神经网络(convolutional neural network,CNN)提取空间和频域特征,再输入双向长短时记忆网络(bidirectional long and short-term memory,BiLSTM)以捕获时间信息;最后结合注意力机制(attention mechanism,AM),对网络提取的多域特征赋予不同的权重,以筛选出更具代表性的抑郁特征,从而提高识别抑郁症的准确性.实验表明,本文提出的基于CBAM模型的抑郁症识别算法在公共数据集上取得了 99.10%的准确率,为脑电信号抑郁症识别研究提供了一种有效的新方法.

关键词：脑电图、抑郁症、卷积神经网络、双向长短时记忆网络、注意力机制

所属期刊栏目：29

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;中央高校基本科研业务费专项

在线出版日期：2024-10-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1-10