基于改进VGG-16和通道注意力机制的脑电图抑郁症辅助检测

利用脑电图信号，结合深度学习方法进行抑郁症辅助诊断目前仍存在特征提取不足及模型诊断准确率不高的问题。为了提取更具表征抑郁症的特征，提高抑郁症辅助诊断的准确率，本文从特征提取和网络框架两个方面进行改进，提出一种结合改进VGG-16和基于压缩激励网络的通道注意力机制（SEMod-VGG）的抑郁症辅助检测模型。首先，提取脑电图信号中α（Alpha）、θ（Theta）和β（Beta）频段的微分熵特征，与对应通道的功率谱密度特征相融合，构成一种同时具有时频属性和能量属性的四维融合特征；其次，针对该四维特征，改进现有的VGG-16模型，同时采用5*5和7*7两种不同尺度的卷积核，在提取脑电信号的时频信息和功率信息的同时，提高特征的泛化表征能力；再将基于压缩激励网络的通道注意力与改进的检测模型相结合，对电极通道的权重进行二次标定；最后采用十折交叉验证优化最小二乘支持向量机，改善传统支持向量机的局限性。本文所提模型在准确率，召回率以及网络性能这三个方面进行实验评估，在MODMA数据集上的结果表明：当使用四维融合特征作为输入时，SEMod-VGG可得到最佳的分类精度，分别为3通道92.21%，16通道93.47%以及128通道95.76%；同时模型的检测召回率也达到较高水平，分别为3通道91.57%，16通道92.46%以及128通道96.80%。相较于现有的抑郁症辅助检测模型，本文所提出的融合特征对抑郁症的表征性更强，且所提出的模型在检测准确率，召回率以及模型效率上均取得明显提升。

Auxiliary Detection of Depression by EEG based on Modifyed-VGG16 and Channel Attention Mechanism