基于混合神经网络和注意力机制的卒中后抑郁早期筛查分类方法研究

脑卒中后抑郁症(PSD)是卒中后常见的并发症之一,严重威胁着脑卒中患者的健康.目前PSD的诊断主要依据病人的临床表现及各种量表,这类方法存在一定的主观性.脑电图(EEG)结合深度学习技术有可能为PSD诊断提供客观标准.本研究采集28名脑卒中后无抑郁受试者(PSND)和38名脑卒中后轻度抑郁患者(PSMD)的EEG信号,提出了一种基于注意力机制的长短时记忆网络(LSTM)和卷积神经网络(EEGNet)特征融合的端到端的PSD诊断框架.采用LSTM模型来学习EEG信号在时序上的依赖关系,引入的注意力机制对LSTM模型中时域信息进行权重分配来提高有用信息的利用率,最终通过EEGNet模块来提取EEG信号中更具表征的深层特征.通过10折交叉验证得出准确度、精确度、召回率、F1-Score和Kappa系数,分别为95.90%、95.75%、96%、95.82%和91.60%.与基础的深度学习模型相比,本文的方法能保持稳定的模型性能,对PSD的诊断具有较高的准确性,为PSD的筛查和诊断提供了一定的参考.