多尺度卷积结合Transformer的抑郁脑电分类研究OA北大核心CSTPCD
Study of EEG classification of depression by multi-scale convolution combined with the Transformer
在通过深度学习模型进行抑郁症类脑电信号分析时,针对单一尺度的卷积存在特征提取不充分的问题和卷积神经网络在感知脑电信号全局依赖性方面的局限性,分别设计了多尺度动态卷积网络模块和门控Transformer编码器模块,并与时间卷积网络相结合,提出了混合网络模型(MGTTCNet)进行抑郁症患者和健康对照组的脑电信号分类.该模型首先通过多尺度动态卷积从空间域和频率域捕捉脑电信号的多尺度时频信息.其次通过门控Transformer编码器学习脑电信号中的全局…查看全部>>
In the process of using the deep learning model to classify the EEG signals of depression,aiming at the problem of insufficient feature extraction in single-scale convolution and the limitation of the convolutional neural network in perceiving the global dependence of EEG signals,a multi-scale dynamic convolution network module and the gated transformer encoder module are designed respectively,which are combined with the temporal convolution network,and a hy…查看全部>>
翟凤文;孙芳林;金静
兰州交通大学 电子与信息工程学院,甘肃 兰州 730070兰州交通大学 电子与信息工程学院,甘肃 兰州 730070兰州交通大学 电子与信息工程学院,甘肃 兰州 730070
计算机与自动化
脑电信号抑郁分类深度学习Transformer时间卷积网络
electroencephalographydepression classificationdeep learningTransformertemporal convolutional networks
《西安电子科技大学学报(自然科学版)》 2024 (2)
182-195,14
甘肃省自然基金(21JR11RA062)甘肃省高校创新基金(2022A-047)
评论