基于多域特征结合CBAM模型的脑电信号抑郁识别

目前脑电信号（EEG）的抑郁症识别方法主要采用单一特征提取方法，无法覆盖多域特征信息，导致现有模型分类性能不高，因此本文提出了一种多域特征结合CBAM模型（CNN-BiLSTM-AttentiNSC 119875on Mechanism）的抑郁症识别算法。首先利用连续小波变换（CWT）提取时频域特征，并结合脑电电极空间信息构成2D特征图像，共同保留脑biopsie des glandes salivaires电的空间、时间和频率信息；然后使用卷积神经网络(convolutional neural network，CNN)提取空间和频域特征，再输入双向长短时记忆网络(bidirectional long and short-term memory，BiLSTM)以捕获时间信息；最后结合注意力selleck产品机制（Attention Mechanism，AM），对网络提取的多域特征赋予不同的权重，以筛选出更具代表性的抑郁特征，从而提高识别抑郁症的准确性。实验表明，本文提出的基于CBAM模型的抑郁症识别算法在公共数据集上取得了99.10%的准确率，为脑电信号抑郁症识别研究提供了一种有效的新方法。