使用混合神经网络进行抑郁查
Jiao Zhang1, Baomin Xu1, Hongfeng Yin2
1School of Computer and Information Technology, Beijing Jiaotong University, Beijing, China.
Multimedia tools and applications
|June 26, 2023
概括
机器学习模型,特别是2DCNN-LSTM,在使用电脑电图 (EEG) 信号检测主要抑郁症 (MDD) 时表现出高准确度. 这一进步为抑郁症的检测和管理提供了一个有希望的工具.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 精神病学是一个精神病学.
背景情况:
- 重度抑郁症 (MDD) 是一个重要的全球健康问题,在COVID-19大流行期间的流行率增加.
- 有效的诊断工具对于及时管理抑郁症至关重要.
- 机器学习和深度学习应用于脑电图 (EEG) 显示了自动抑郁症检测的潜力.
研究的目的:
- 开发和评估一种机器学习模型,用于使用多通道EEG信号准确检测抑郁症.
- 为了比较2DCNN-LSTM分类器与传统机器学习算法的性能,用于基于EEG的抑郁症检测.
主要方法:
- 利用128通道的EEG信号,使用简单的过技术.
- 使用2DCNN-LSTM分类器来检测抑郁症.
- 进行了24次留出1次的交叉验证实验.
- 将2DCNN-LSTM模型与支持矢量机 (SVM),K-最近邻居 (KNN) 和决策树 (DT) 算法进行比较.
主要成果:
- 2DCNN-LSTM模型实现了6秒EEG信号的平均分类准确率95.1%,AUC为0.98.
- 拟议的模型显著优于SVM (72.05%),KNN (79.7%) 和DT (79.49%).
- 对300秒EEG信号参与者实现了100%的分类准确性.
结论:
- 与传统方法相比,2DCNN-LSTM模型在从EEG信号中检测抑郁症方面表现优异.
- 这种方法为抑郁症诊断提供了一个高度准确和高效的工具.
- 这些发现强调了深度学习与多通道EEG的潜力,以推进心理健康诊断.
