摘要
研究目的：脑电图（EEG）信号为检测与抑郁症相关的神经功能障碍提供了一种无创且客观的方法。为解决样本量有限以及时空特征建模不足的问题，本研究旨在构建一种基于EEG的抑郁症识别框架，以捕捉与抑郁症相关的神经活动动态模式。研究方法：我们提出了DR-Net，这是一种融合了生成对抗网络（GAN）、过渡传播图卷积网络（TPGCN）和变换器架构的新型抑郁症识别框架。首先，通过基于GAN的数据增强技术生成能够保持真实数据统计特性的合成EEG样本，从而提升数据多样性并增强模型的泛化能力。其次，利用相位滞后指数构建大脑功能连接网络，TPGCN则用于模拟信息在各个通道间的动态传播过程，进而捕捉大脑网络拓扑结构的时空演变情况，这比传统的静态图模型更具优势。同时，变换器模块通过自注意力机制来强化对长时序依赖关系的建模。该框架还着重关注额叶区域，在降低输入维度的同时提高特征的区分度。研究结果：所提出的方法准确率达到了98.7%，超过了现有基准方法和最先进的技术，且不存在明显的类别偏差。在临床数据集上的验证结果显示准确率为96.13%，展现出较强的稳健性和泛化能力。研究结论：通过有效建模EEG信号的时空动态特性，DR-Net为抑郁症的客观诊断提供了一种可靠且具有泛化能力的方案。该框架通过整合动态图传播、自注意力机制以及高效的数据增强技术，推动了计算神经诊断领域的发展。这些研究结果表明，DR-Net有望在未来基于EEG的抑郁症临床评估中得到应用。
