.png){kind=icon}
返回
Improving depression diagnosis using a brain module-based weighted hypergraph convolutional network framework
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.131074.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统功能连接网络（FCN）仅限于捕获电极或脑区之间的成对相关性。相比之下，超连接网络（HCN）能够捕获脑区之间的复杂高阶关系，已在脑疾病诊断中受到越来越多的关注。尽管现有的基于HCN的模型在疾病识别中已显示出有效性，但仍存在若干挑战。可靠的HCN构建受到方法学限制和脑电图（EEG）噪声的阻碍。此外，这些模型通常未能充分利用与疾病相关的异常神经机制，导致可解释性有限且识别性能欠佳。为解决这些问题，我们提出了一种基于脑模块的自适应加权超图卷积网络（BM-WHGCN）框架，以改善抑郁症诊断。首先，从时域、频域和随机性域全面提取EEG的节点级特征表示。其次，提出一种局部同步性约束的稀疏方法，用于构建整合全局和局部相关性的HCN。随后，通过模块化优化识别密集连接的节点子集作为脑模块，并衰减长程连接，以开发增强神经病理学可解释性的学习框架。最后，扩展的超图卷积网络聚合节点特征和超边，生成时空信息的深度表示。在公共数据集和自有EEG数据集上进行的广泛实验表明，BM-WHGCN在抑郁症识别方面优于其他当前最先进的方法。此外，我们的框架通过有效识别与抑郁症密切相关的超边和电极节点，展现出强大的可解释性。总之，所提出的方法为抑郁症的早期检测和干预提供了显著潜力，并可方便地适用于其他脑疾病的诊断。
Keyword:
hyper-connectivity network
depression diagnosis
hypergraph convolutional network
EEG feature extraction
brain modules
