Цель данной работы заключалась в анализе эффективности различных методов глубокого обучения в задаче диагностирования депрессии на основании данных биоэлектрической активности мозга. В частности, изучение потенциала трансферного обучения с использованием искусственной нейронной сети, обученной на значительном объеме обобщенных данных электроэнцефалографии, в целевой задаче диагностики депрессии по сигналам неинвазивной электроэнцефалограммы.

Методы. В настоящем исследовании использовались такие подходы глубокого обучения, как трансферное и контрастное обучение. Искусственные нейронные сети обучались на открытом наборе данных HBN EO/EC task (The Healthy Brain Network — HBN), содержащем записи сигналов электроэнцефалограммы детей и молодых людей до 21 года с открытыми и закрытыми глазами. В качестве предобученных искусственных нейронных сетей для трансферного обучении использовались архитектуры 1D CNN и EEGNet. С целью проверки качества контрастного обучения набор данных был расширен с помощью аугментации и были отобраны предобученные сети со следующей архитектурой: SimCLR, MoCo, NNCLR, BarlowTwins, DINO.

Результаты. Было установлено, что архитектура EEGNet, используемая в качестве предобученной сети, в силу своих малых размеров не даёт раскрыть полный потенциал алгоритмов контрастного обучения. EEGNet была заменена на архитектуру 1D CNN с большим числом параметров, что привело к росту показателей качества работы моделей.

Заключение. Хотя рассмотренный метод трансферного обучения выглядит перспективным, специфичность сигналов электроэнцефалограммы и решаемых на их основе задач требует масштабной адаптации алгоритмов целевой задаче. В случае применения техник контрастной оптимизации для обучения целевой сети это также справедливо. Следует также отметить решающую роль представительности набора данных для обучения предобученной сети, поскольку именно полнота реальных наблюдений увеличивает эффективность аугментации, что приводит к увеличению числа «полезных» признаков в латентном пространстве сети и наилучшим условиям для трансферного обучения в целевой задаче. Если говорить о диагностике депрессии, то в данных должны быть максимально широко представлены примеры электроэнцефалограммы именно пациентов с выраженной депрессией.