对基于EEG的焦虑检测机器学习技术进行全面的探索

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:

• 基于脑电图 (EEG) 的系统性能严重依赖于特征提取和机器学习算法.
• 使用EEG精确检测焦虑对于心理健康监测和干预至关重要.

研究的目的:

• 调查不同标签方法,特征提取技术和机器学习算法对基于EEG的焦虑检测准确性的影响.
• 确定算法的最佳组合,以提高检测焦虑状态的性能.

主要方法:

• 使用汉密尔顿焦虑评分表 (HAM-A) 和自我评估人形 (SAM) 来标记焦虑状态.
• 用于EEG特征提取的离散波段变换 (DWT) 和功率光谱密度 (PSD).
• 与传统分类器 (LDA,SVM,KNN) 相比的组合方法 (随机森林,AdaBoost,梯度包装).

主要成果:

• 汉密尔顿焦虑评分表 (HAM-A) 标签与离散波纹转换 (DWT) 功能相结合,在所有测试的分类器中始终提供了优异的结果.
• 随机森林 (RF) 分类器实现了最高准确度 (87.5%),在准确度,精度和回忆方面表现出卓越的性能.
• AdaBoost包装分类器以79%的准确度进行了跟踪.

结论:

• 在基于EEG的焦虑检测中,HAM-A标记和DWT特征提取的结合是非常有效的.
• 随机森林 (RF) 成为该应用程序中最准确和最强大的分类器.
• 优化算法选择对于推进基于EEG的心理健康诊断工具的有效性至关重要.