DOI: https://doi.org/10.1088/2057-1976/ae6783
PMID: https://pubmed.ncbi.nlm.nih.gov/42066795
تاريخ النشر: 2026-05-01
المؤلف: Lixuan Zhao وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
في السنوات الأخيرة، زاد تطبيق طرق الكشف تحت الإشراف لاضطراب الاكتئاب الشديد (MDD) باستخدام إشارات تخطيط الدماغ الكهربائي (EEG)، ومع ذلك، لا يزال تصنيف MDD يمثل تحديًا كبيرًا. للتخفيف من قيود التعلم تحت الإشراف، وخاصة اعتماده على البيانات المصنفة، يقدم هذه الدراسة نهجًا جديدًا للتعلم الذاتي الإشراف يسمى نموذج دمج التردد الزمني والخسارة المتقاطعة متعددة المجالات (TF-MCL). تم تصميم هذا النموذج لتوصيف توزيع التردد الزمني لإشارات EEG بشكل فعال، معالجًا النواقص في طرق التعلم التبايني الحالية في الحصول على تمثيلات بيانات ذات دلالات منخفضة اللازمة لاكتشاف MDD.
يستخدم نموذج TF-MCL رأس دمج الخرائط (FMH) لإنشاء تمثيلات هجينة للتردد الزمني، مما يعزز قدرة النموذج على دمج المعلومات من هذه المجالات. من خلال تحسين دالة خسارة متعددة المجالات، يعيد النموذج بناء توزيع التمثيلات في كل من مجالات التردد الزمني والدمج، مما يؤدي إلى تحسين الأداء. تظهر التقييمات على مجموعات بيانات MODMA و PRED+CT المتاحة للجمهور أن TF-MCL يتفوق بشكل كبير على الطرق الحالية الرائدة، محققًا تحسينات في الدقة بنسبة 5.87% و 9.96%، على التوالي. لا تؤسس هذه الأبحاث TF-MCL كطريقة رائدة في اكتشاف MDD فحسب، بل تضع أيضًا الأساس لتطبيقات مستقبلية للتعلم التبايني في تحليل الإشارات الفسيولوجية متعددة الوسائط، مما يساهم في التقدم في صحة الإنسان.
مقدمة
تتناول مقدمة هذه الورقة البحثية تحدي تشخيص اضطراب الاكتئاب الشديد (MDD) باستخدام إشارات تخطيط الدماغ الكهربائي (EEG)، مع تسليط الضوء على قيود طرق التعلم الآلي (ML) والتعلم العميق (DL) التقليدية التي تعتمد بشكل كبير على البيانات المصنفة. يقترح المؤلفون تقنيات التعلم الذاتي الإشراف، وخاصة التعلم التبايني، كحل للتخفيف من الاعتماد على التصنيف اليدوي الواسع من قبل علماء النفس. يشيرون إلى التقدمات الأخيرة في تعلم تمثيلات السلاسل الزمنية غير المشروطة، مثل إطار العمل Temporal and Contextual Contrasting (TSTCC) ونموذج Time-Series to Vector (TS2Vec)، الذي يعزز قوة تمثيلات الزمن.
تقدم الورقة طريقة جديدة تسمى دمج التردد الزمني والخسارة المتقاطعة متعددة المجالات (TF-MCL) لاكتشاف الاكتئاب الذاتي الإشراف، مع التأكيد على أهمية معلومات مجال التردد في تحليل EEG. يقترح المؤلفون رأس دمج الخرائط (FMH) لدمج ميزات التردد الزمني بشكل فعال ودالة خسارة متقاطعة متعددة المجالات (MCL) للحفاظ على تنوع التمثيلات عبر مجالات الزمن والتردد. تظهر النتائج أن هذا النهج يحسن بشكل كبير أداء النموذج في مهام اكتشاف الاكتئاب، متفوقًا على الطرق الحالية الرائدة. تؤكد الدراسة على إمكانية دمج تحليل التردد الزمني لإثراء تمثيل الميزات، مما يعزز قدرة النموذج على التقاط الأنماط المعقدة في إشارات EEG المرتبطة بـ MDD.
طرق
تقدم قسم المنهجية إطار عمل TF-MCL، الموضح في الشكل 2. الهدف الأساسي من هذا الإطار هو تدريب المولد \( G \) ورأس دمج الميزات (FMH) باستخدام مجموعة البيانات \( D_{\text{pret}} \). بعد هذه المرحلة من التدريب المسبق، يتم ضبط المعلمات بدقة على مجموعة بيانات مختلفة \( D_{\text{tune}} \). يهدف هذا الإجراء المكون من خطوتين إلى ضمان أن النموذج المضبوط بدقة يلتقط ويمثل كل حالة \( x_i^{\text{tune}} \) ضمن مجموعة بيانات الضبط، مما يعزز أدائه وقدراته التمثيلية.
نقاش
في هذا القسم، يناقش المؤلفون أهمية طريقتهم المقترحة للتعلم التبايني لدمج التردد الزمني (TF-MCL) لاكتشاف اضطراب الاكتئاب الشديد (MDD) باستخدام إشارات EEG. يسلطون الضوء على الأبحاث المحدودة السابقة حول طرق التعلم الذاتي الإشراف ودمج التردد الزمني في هذا المجال، مؤكدين على الحاجة إلى استخراج ميزات شاملة تتضمن خصائص مجالات الزمن والتردد. يوضح المؤلفون نهجهم المبتكر، الذي يدمج تمثيلات التردد الزمني (T-F) من خلال وحدة دمج تعزز قدرة النموذج على التقاط الأنماط المعقدة في بيانات EEG. يظهر أن هذا الدمج يحسن دقة التصنيف بشكل كبير، حيث يتفوق الأسلوب المقترح على تقنيات الحالة الرائدة (SOTA) بنسبة 9.96% و 5.87% في الدقة على مجموعات بيانات MODMA و PRED+CT، على التوالي.
كما يوضح المؤلفون أهمية تشتت T-F وإدخال دالة خسارة، \( \mathcal{L}_{TF} \)، التي تنظم العلاقة بين تمثيلات مجال الزمن ومجال التردد. تضمن هذه التنظيم أن يتعلم النموذج ميزات مميزة من كلا المجالين، مما يعزز أداء التعميم. تشير نتائج دراسات الإزالة إلى أن خسارة تمثيل الدمج (FRL) تلعب دورًا حاسمًا في تحسين أداء النموذج، بينما يكون لخسارة تشتت التردد الزمني (TFDL) تأثير أكثر محدودية عند تطبيقها بمفردها. بشكل عام، تؤكد النتائج على فعالية نهج TF-MCL في تعزيز اكتشاف MDD من خلال تحسين استخراج الميزات وتعلم التمثيلات، مما يمهد الطريق لتطبيقات مستقبلية في تحليل الإشارات الفسيولوجية متعددة الوسائط.
DOI: https://doi.org/10.1088/2057-1976/ae6783
PMID: https://pubmed.ncbi.nlm.nih.gov/42066795
Publication Date: 2026-05-01
Author(s): Lixuan Zhao et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
In recent years, the application of supervised detection methods for major depressive disorder (MDD) using electroencephalogram (EEG) signals has increased, yet labeling for MDD remains a significant challenge. To mitigate the limitations of supervised learning, particularly its dependence on labeled data, this study introduces a novel self-supervised learning approach called the time-frequency fusion and multi-domain cross-loss (TF-MCL) model. This model is designed to effectively characterize the time-frequency distribution of EEG signals, addressing the inadequacies of existing contrastive learning methods in acquiring low-semantic data representations necessary for MDD detection.
The TF-MCL model employs a fusion mapping head (FMH) to generate hybrid time-frequency representations, enhancing the model’s ability to synthesize information from these domains. By optimizing a multi-domain cross-loss function, the model reconstructs the distribution of representations in both the time-frequency and fusion domains, leading to improved performance. Evaluations on the publicly available MODMA and PRED+CT datasets demonstrate that TF-MCL significantly outperforms existing state-of-the-art methods, achieving accuracy improvements of 5.87% and 9.96%, respectively. This research not only establishes TF-MCL as a pioneering method in MDD detection but also sets the stage for future applications of contrastive learning in multimodal physiological signal analysis, contributing to advancements in human health.
Introduction
The introduction of this research paper addresses the challenge of diagnosing Major Depressive Disorder (MDD) using Electroencephalogram (EEG) signals, highlighting the limitations of traditional supervised machine learning (ML) and deep learning (DL) methods that depend heavily on labeled data. The authors propose self-supervised learning techniques, particularly contrastive learning, as a solution to mitigate the reliance on extensive manual labeling by psychologists. They reference recent advancements in unsupervised time-series representation learning, such as the Temporal and Contextual Contrasting (TSTCC) framework and the Time-Series to Vector (TS2Vec) model, which enhance the robustness of temporal representations.
The paper introduces a novel method called Time-frequency Fusion and Multi-domain Cross-Loss (TF-MCL) for self-supervised depression detection, emphasizing the importance of frequency domain information in EEG analysis. The authors propose a Fusion Mapping Head (FMH) to effectively integrate time-frequency features and a Multi-domain Cross-Loss (MCL) function to maintain the diversity of representations across time and frequency domains. The results demonstrate that this approach significantly improves model performance in depression detection tasks, outperforming existing state-of-the-art methods. The study underscores the potential of integrating time-frequency analysis to enrich feature representation, thereby enhancing the model’s ability to capture complex patterns in EEG signals associated with MDD.
Methods
The methodology section introduces the TF-MCL framework, illustrated in Figure 2. The primary objective of this framework is to pre-train the generator \( G \) and the feature mapping head (FMH) using the dataset \( D_{\text{pret}} \). Following this pre-training phase, the parameters are fine-tuned on a different dataset \( D_{\text{tune}} \). This two-step process aims to ensure that the fine-tuned model effectively captures and represents each instance \( x_i^{\text{tune}} \) within the tuning dataset, thereby enhancing its performance and representation capabilities.
Discussion
In this section, the authors discuss the significance of their proposed time-frequency fusion contrastive learning method (TF-MCL) for detecting major depressive disorder (MDD) using EEG signals. They highlight the limited prior research on self-supervised and time-frequency fusion methods in this domain, emphasizing the need for comprehensive feature extraction that incorporates both time and frequency domain characteristics. The authors detail their innovative approach, which integrates time-frequency (T-F) representations through a fusion module that enhances the model’s ability to capture complex patterns in EEG data. This integration is shown to improve classification accuracy significantly, with the proposed method outperforming state-of-the-art (SOTA) techniques by 9.96% and 5.87% in accuracy on the MODMA and PRED+CT datasets, respectively.
The authors also elaborate on the importance of T-F dispersion and the introduction of a loss function, \( \mathcal{L}_{TF} \), which regulates the relationship between time-domain and frequency-domain representations. This regulation ensures that the model learns distinct features from both domains, thereby enhancing generalization performance. The results from ablation studies indicate that the fusion representation loss (FRL) plays a crucial role in improving model performance, while the time-frequency dispersion loss (TFDL) has a more limited impact when applied alone. Overall, the findings underscore the effectiveness of the TF-MCL approach in advancing MDD detection through improved feature extraction and representation learning, paving the way for future applications in multimodal physiological signal analysis.