三导EEG传感器:引入基于狮优化的EEG辅助抑郁症诊断系统

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 传统的抑郁症诊断依赖于主观的,耗时的方法,如采访和临床量表.
• 现有的基于脑电图 (EEG) 的抑郁症检测研究往往忽视了实际应用,并依赖于繁的设备.
• 需要易于使用,便携和准确的EEG设备来查抑郁症.

研究的目的:

• 开发一种可穿戴,用户友好的三导EEG传感器,用于前额叶数据采集.
• 在噪音,SNR和阻抗方面评估开发的EEG传感器的性能.
• 评估人工智能算法的有效性,特别是狮优化 (ALO) 和k-NN分类器,用于使用收集的EEG数据检测抑郁症.

主要方法:

• 设计和制造了一种具有灵活电极的新型可穿戴三导电脑电图传感器.
• 进行实验测量以验证传感器的技术规格 (噪声,SNR,阻抗).
• 从70名抑郁患者和108名健康对照人群中收集了EEG数据;使用ALO算法进行k-NN分类,提取并优化了特征.

主要成果:

• 可穿戴式EEG传感器在低噪声 (≤0.91μVpp),高SNR (2648 dB) 和低阻抗 (<1 K Ω) 的情况下表现出色.
• 使用ALO的优化功能集显著提高了分类准确性.
• k-NN分类器实现了高诊断性能:准确率为90.70%,特异性为96.53%,灵敏度为81.79%.

结论:

• 开发的可穿戴的三导电脑电图传感器是前额头电脑电图数据采集的实用和有效工具.
• 可穿戴式EEG传感器,ALO算法和k-NN分类器的组合显示了准确的AI辅助抑郁症诊断的巨大潜力.
• 这种方法为传统诊断方法提供了有希望的替代方案,提高了心理健康评估的可访问性和效率.