基于脑电图的抑郁症检测使用多种机器学习技术
Amel Ksibi1, Mohammed Zakariah2, Leila Jamel Menzli1
1Department of Information Systems, College of Computer and Information Sciences, Princess Nourah bint Abdulrahman University, Riyadh 11671, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|May 27, 2023
概括
脑电图 (EEG) 与人口统计数据相结合,显示出对诊断严重抑郁症 (MDD) 的前景. 这种方法解决了EEG信号的复杂性和个体差异,以提高抑郁检测的准确性.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 数据科学数据科学数据科学
背景情况:
- 电脑电图 (EEG) 越来越多地用于抑郁症诊断,但信号复杂性和个体变化带来了挑战.
- 年龄和性别等人口因素影响抑郁症发病率和EEG信号,因此需要将其纳入诊断模型.
研究的目的:
- 利用电脑电图 (EEG) 数据开发一种识别抑郁模式的算法.
- 研究将人口统计数据与EEG信号整合起来,以提高抑郁症检测的有效性.
主要方法:
- 静止状态EEG信号的多频段分析来自128通道的电脑.
- 机器学习和深度学习技术的应用,特别是卷积神经网络 (CNN),用于自动检测抑郁症.
- 利用多模式开放数据集MODMA,将患者分为主要抑郁症 (MDD) 和健康的对照组.
主要成果:
- 在25个训练时代后,CNN模型在检测MDD方面实现了97%的准确性.
- 该研究考虑了两个主要类别:主要抑郁障碍 (MDD) 和健康对照,MDD包括各种子分类.
- 将EEG信号与人口统计数据相结合,证明了抑郁症诊断的有希望的方法.
结论:
- 将EEG信号与人口统计数据相结合,为提高抑郁症检测系统的准确性和通用性提供了一个强大的策略.
- 这种多式模式的方法具有很大的潜力,可以促进重大抑郁症 (MDD) 的自动诊断.
