.png){kind=icon}
返回
Fusing spatio-temporal information using supervised local low-rank correlation embedding for depression recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.131350.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脑电图（EEG）信号包含丰富的时空信息，这些信息反映了大脑的动态活动，使其在抑郁症识别中得到了广泛应用。然而，如何有效整合这些信息以捕捉判别性和互补性特征仍是一个关键挑战。为解决这一问题，我们提出了一种新颖的判别局部低秩相关性嵌入（DLLCE）方法，用于融合EEG的时空信息。DLLCE将共享低秩表示、局部不变性、判别约束和增强的相关性分析整合到一个统一框架中。具体而言，共享低秩表示用于捕捉共同的结构模式，而相关性分析旨在减少特征集之间的冗余。此外，通过对共享表示应用拉普拉斯正则化来保留原始数据的局部几何结构。为进一步增强判别能力，引入了判别图嵌入项以利用标签信息。在EEG数据集上的实验结果表明，与现有方法相比，DLLCE取得了更优的性能。本研究为基于EEG的精神健康评估提供了新的见解，并有望应用于早期抑郁症诊断和临床决策支持。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
.png){kind=icon}
Dual Graph Regularized Latent Low-Rank Representation for Subspace Clustering用于子空间聚类的对偶图正则化潜在低秩表示
PREAI
分享收藏分享收藏分享收藏
查看更多内容