基于脑地形图与多尺度卷积Transformer网络的抑郁症脑电精准分类新方法

为解决抑郁症脑电(EEG)分类中空间特征丢失问题，研究人员创新性地将功率谱密度(PSD)特征转换为脑地形图，构建多尺度卷积Transformer网络(MCTNet)。该模型通过并行卷积分支提取深层特征，结合图像分割(IS)与Transformer编码器(TE)实现局部-全局特征融合，最终以97.24%准确率实现抑郁症辅助诊断，为MDD精准识别提供新范式。

　　

这项突破性研究将机器学习技术应用于抑郁症脑电信号解码。通过巧妙重构脑电特征空间，将传统一维功率谱密度(PSD)特征依据电极空间位置转化为高维脑地形图，完整保留神经电活动的空间拓扑特性。研究团队设计的"三叉戟"式多尺度卷积架构，采用三个并行卷积分支分别以3×3、5×5、7×7核尺寸进行特征提取，有效捕获不同尺度的脑功能连接模式。

创新性地引入图像分割(IS)模块对特征图进行区块划分，结合Transformer编码器(TE)的自注意力机制，实现局部微放电模式与全局脑网络动态的协同分析。特别设计的联合损失函数融合交叉熵与中心损失(CL)，使模型在保持97.20%敏感度的同时，将健康对照组与抑郁症患者的类内特征距离压缩至传统方法的1/3。

实验数据表明，该模型特异性达97.46%，显著优于现有技术。这种"空间特征重构-多尺度特征融合-动态注意力加权"的技术路线，为精神疾病客观生物标志物挖掘提供了可解释性强的分析框架，其脑地形图特征可视化结果可直接辅助临床决策。