基于机器学习和脑电图信号的抑郁症诊断
Adil O Khadidos1, Khaled H Alyoubi2, Shalini Mahato3
1Department of Information Technology, Faculty of Computing and Information Technology, King Abdulaziz University, Jeddah, Saudi Arabia.
Neuroscience letters
|May 31, 2023
概括
机器学习模型,特别是卷积神经网络 (CNN),可以使用电脑电图 (EEG) 信号准确检测抑郁症. 这一进步有助于早期诊断,通过更早地识别疾病,可能挽救生命.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 机器学习 机器学习
背景情况:
- 抑郁症是一个全球性的心理健康问题,影响日常功能,增加自杀风险.
- 早期发现抑郁症对于及时干预和改善患者结果至关重要.
- 电脑电图 (EEG) 信号为诊断抑郁症等心理疾病提供了潜在的生物标志物.
研究的目的:
- 用EEG数据调查各种机器学习算法的抑郁症检测效果.
- 将传统机器学习模型的性能与抑郁症诊断的深度学习方法进行比较.
- 根据EEG带功率特征,确定最准确的用于抑郁症检测的深度学习模型.
主要方法:
- 利用公开的数据集,包括30名健康个体和34名被诊断患有抑郁症的患者的EEG信号.
- 应用了一系列机器学习技术,包括决策树,随机森林,梯度提升和极端梯度提升 (XGBoost).
- 实施深度学习模型,如卷积神经网络 (CNN),循环神经网络 (RNN),长期短期记忆 (LSTM),门式循环单元 (GRU) 和双向长期短期记忆 (Bi-LSTM),结合带功率特征.
主要成果:
- 卷积神经网络 (CNN) 模型以98.13%的准确度达到最高.
- 美国有线电视新闻网 (CNN) 模型以99%的特异性和97%的灵敏性表现出色.
- 带功率特征是深度学习模型,特别是CNN的性能不可或缺的一部分.
结论:
- 机器学习,特别是使用CNN的深度学习,显示了通过EEG信号准确和早期检测抑郁症的重大前景.
- 这些发现表明,使用CNN的EEG分析可以成为诊断抑郁症的临床环境中宝贵的工具.
- 用更大的数据集进行进一步的研究可以验证这些发现,并推进AI在心理健康诊断中的临床应用.
