稀疏贝叶斯学习在脑电抑郁症识别中的应用研究

摘要

分析脑电(electroencephalography, EEG)信号，开发一种抑郁症的自动识别模型，以提高诊断的客观性和准确性。基于专为心理障碍分析设计的MODMA数据集，包括24名抑郁症患者和29名健康对照者的静息态EEG数据，采用稀疏贝叶斯学习(sparse Bayesian learning, SBL)算法开发了一种端到端的抑郁症识别模型，通过对EEG信号的深入分析，探索了抑郁症患者与健康个体之间脑电活动的差异。结果表明，所提模型在测试集上展现出极高的准确率(100%),显著超过现有的抑郁症检测技术。参数分析进一步证实了模型的有效性和稀疏性模型的应用价值。开发的基于SBL的脑电抑郁症识别模型，为抑郁症的自动化检测和诊断提供了新的工具和视角。

关键词

抑郁症识别 / 脑电信号 / 客观评估 / 稀疏贝叶斯学习