基于机器学习的抑郁症检测模型,来自消费级EEG设备获得的脑电图 (EEG) 数据
Kei Suzuki1, Tipporn Laohakangvalvit1, Midori Sugaya1
1College of Engineering, Shibaura Institute of Technology, Research Building #14A32, 3-7-5 Toyosu, Koto-ku, Tokyo 135-8548, Japan.
Brain sciences
|November 27, 2024
概括
机器学习模型现在可以使用消费级脑电图 (EEG) 大脑波传感器来检测抑郁症. 在可访问的大脑波分析方面的这一进步显示了心理健康监测的有希望的结果.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 计算精神病学是一种计算精神病学.
背景情况:
- 机器学习应用于脑电图 (EEG) 数据,显示了抑郁症检测的前景.
- 医学级EEG已经证明了精确的抑郁症检测能力.
- 在使用更简单,消费级EEG传感器实现可比精度方面存在差距.
研究的目的:
- 使用机器学习与消费级EEG传感器来提高抑郁症检测的准确性.
- 识别和选择最佳的EEG指数,以改善抑郁症检测.
- 为了验证在消费级EEG数据上训练的机器学习模型的有效性.
主要方法:
- 量化EEG指数包括功率频谱,不对称性,复杂性和功能连接性.
- 使用特征选择方法 (LightGBM,相互信息,ReliefF,ElasticNet) 来识别关键的EEG指数.
- 在选定的EEG指数上训练了一种Light Gradient Boosting Machine (LightGBM) 模型,通过交叉验证确保数据独立性.
主要成果:
- 在使用消费者级EEG检测抑郁症时,获得了91.59%的宏F1得分.
- 确定了特定的EEG指数,如微分和功能连接性,单独产生大约80%的宏观F1得分.
- 证明了消费者级EEG数据在基于机器学习的抑郁症检测中的潜力.
结论:
- 消费级EEG传感器,当用机器学习分析时,可以有效地检测抑郁症.
- 选择的EEG指数显示出未来抑郁症检测应用的重大前景.
- 这种方法为使用脑波技术进行心理健康监测提供了更容易获得的途径.
