机器学习模型用于使用无线EEG耳机对年轻成年人进行计算机辅助抑郁症查

科学领域:

• 神经科学是一个神经科学.
• 计算精神病学是一种计算精神病学.
• 生物医学工程 生物医学工程

背景情况:

• 抑郁症显著影响生活质量,传统的诊断方法也有局限性.
• 电脑电图 (EEG) 显示了客观抑郁症检测的潜力.
• 无线EEG耳机提供了一种更容易访问和更少侵入的数据收集方法.

研究的目的:

• 开发和验证一种机器学习模型,用于使用无线EEG数据检测年轻人的抑郁症.
• 评估各种信号处理功能和机器学习分类器的有效性,以识别抑郁症.
• 确定使用消费级EEG设备用于心理健康诊断的可行性.

主要方法:

• 32名年轻成年人使用Emotiv Epoc+耳机收集了EEG数据.
• 参与者使用PHQ9工具进行了抑郁症查.
• 包括Hjorth参数,Shannon和Log能量在内的特征从过的EEG信号 (8-30 Hz) 中提取,并使用KNN和SVM分类器进行分析,并进行5倍交叉验证.

主要成果:

• 拟议的机器学习方法在AB频段 (8-30 Hz) 实现了98.43%±0.15%的高精度.
• 在训练/测试数据分成70/30,整体准确率达到98.10%±0.11%,在精度,灵敏度,特异性和F1得分方面表现出色.
• 这些发现证明了提取的EEG特征和KNN分类器在识别抑郁症方面的有效性.

结论:

• 无线EEG数据,特别是来自像Emotiv Epoc+这样的消费级耳机的无线EEG数据,可以可靠地用于检测年轻人的抑郁症.
• 开发的机器学习模型利用了特定的EEG特征和分类技术,为抑郁症评估提供了一个高度准确和客观的方法.
• 这种方法为主观的,基于问卷的抑郁查工具提供了一个有希望的,非侵入性的替代方案.