MAST-GCN: Rede Convolucional Gráfico Espacial-Temporal Adaptativa em Múltiplas Escalas para Reconhecimento de Depressão Baseado em EEG

Recentemente, o reconhecimento de depressão através de EEG ganhou atenção significativa. No entanto, dois desafios não foram adequadamente abordados em estudos anteriores de reconhecimento e classificação automática de depressão: (1) os dados de EEG carecem de uma estrutura topológica explícita. (2) Capturar características espaço-temporais dos sinais de EEG é difícil. Neste artigo, propomos a Rede Convolucional Gráfico Espacial-Temporal Adaptativa em Múltiplas Escalas (MAST-GCN) para minerar a estrutura topológica latente entre os canais de EEG e capturar características espaço-temporais discriminativas. Primeiro, integramos a Convolução Gráfico Adaptativa (AGC) que mescla o método de construção de gráfico inerente com um método de reconstrução de gráfico orientado a dados. O modelo usa um mecanismo de atenção para aprender uma estrutura topológica adaptativa e informações semânticas de diferentes camadas e classes. Em segundo lugar, propomos a Camada de Convolução Temporal em Múltiplas Escalas (MS-TCL), que captura a dependência de longo prazo dos dados de EEG. Uma vez que a Convolução Gráfico é fraca para agregar as informações espaço-temporais, implementamos uma Convolução Gráfico 3D (G3D) para capturar diretamente as dependências espaço-temporais por meio da reconstrução do gráfico espaço-temporal. Os resultados experimentais demonstram que o MAST-GCN supera consistentemente os métodos de ponta em dois conjuntos de dados. Além disso, usamos mapas de saliência baseados em gradiente para análise de interpretabilidade, descobrindo as regiões ativadas do cérebro e pares de eletrodos importantes relacionados à depressão.