抑郁症EEG诊断的类脑学习模型OA北大核心CSTPCD

抑郁症是一种全球性精神疾病,传统诊断方法主要依靠量表与医生的主观评估,无法有效识别症状,甚至存在误诊的风险。基于生理信号的深度学习辅助诊断有望改善传统缺乏生理学依据的方法。然而,传统深度学习方法依赖巨大算力,且大多是端到端的网络学习。这些学习方法也缺乏生理可解释性,限制了辅助诊断临床应用。提出一种用于抑郁症脑电图(electroencephalogram,EEG)诊断的类脑学习模型,在功能层面,构建脉冲神经网络对抑郁症与健康个体进行分类,精度超过97.5%,相比深度卷积方法,脉冲方法降低了能耗;在结构层面,利用复杂网络建立脑连接的空间拓扑并分析其图特征,找出了抑郁症个体潜在的脑功能连接异常机制。