通过混合机器学习和深度学习框架来诊断抑郁症的EEG衍生的脑波模式

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 医疗信息学 医疗信息学

背景情况:

• 人工智能 (AI),机器学习 (ML) 和深度学习 (DL) 正在医学领域迅速发展.
• 抑郁症是导致残疾的主要原因,需要早期和客观的诊断方法.
• 电脑电图 (EEG) 信号为神经评估提供了一种患者友好且具有成本效益的方法.

研究的目的:

• 开发ML和DL技术,使用EEG信号诊断抑郁症.
• 评估不同分类器和信号条件对抑郁症检测的有效性.

主要方法:

• 从34名严重抑郁症患者 (MDD) 和30名健康对照者的EEG信号中提取了统计特征.
• 实现并比较了三个分类器:1D卷积神经网络 (1DCNN),支持向量机 (SVM) 和后勤回归 (LR).
• 测试了在任务,闭眼 (EC) 和开眼 (EO) 条件下收集的EEG数据上的模型.

主要成果:

• 使用TASK信号的1DCNN模型获得了最高的准确性 (90.21%),其次是SVM (89.3%) 和LR (88.4%).
• 与EC和EO条件相比,TASK条件信号在所有测试模型中始终产生更高的分类精度.
• 拟议的方法在统计学上显示出明显的改进 (p < 0.05) 超过现有的方法.

结论:

• 基于EEG的ML和DL方法显示出对抑郁症准确可靠的临床诊断有很大的潜力.
• 该TASK条件提供了一个有前途的数据采集协议,用于通过EEG增强抑郁症检测.
• 对EEG信号分析的进一步研究可以带来更好的心理健康诊断工具.