論文の概要: A study of resting-state EEG biomarkers for depression recognition
- arxiv url: http://arxiv.org/abs/2002.11039v1
- Date: Sun, 23 Feb 2020 08:33:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 09:37:14.932409
- Title: A study of resting-state EEG biomarkers for depression recognition
- Title（参考訳）: うつ病認識のための安静状態脳波バイオマーカーに関する研究
- Authors: Shuting Sun, Jianxiu Li, Huayu Chen, Tao Gong, Xiaowei Li, Bin Hu
- Abstract要約: うつ病は世界中で大きな健康負担となり、効果的な検出うつ病は公衆衛生上の大きな課題となっている。
この脳波に基づく研究は、うつ病の認識に有効なバイオマーカーを探究することを目的としている。
- 参考スコア（独自算出の注目度）: 11.202182020497402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Depression has become a major health burden worldwide, and
effective detection depression is a great public-health challenge. This
Electroencephalography (EEG)-based research is to explore the effective
biomarkers for depression recognition. Methods: Resting state EEG data was
collected from 24 major depressive patients (MDD) and 29 normal controls using
128 channel HydroCel Geodesic Sensor Net (HCGSN). To better identify
depression, we extracted different types of EEG features including linear
features, nonlinear features and functional connectivity features phase lagging
index (PLI) to comprehensively analyze the EEG signals in patients with MDD.
And using different feature selection methods and classifiers to evaluate the
optimal feature sets. Results: Functional connectivity feature PLI is superior
to the linear features and nonlinear features. And when combining all the types
of features to classify MDD patients, we can obtain the highest classification
accuracy 82.31% using ReliefF feature selection method and logistic regression
(LR) classifier. Analyzing the distribution of optimal feature set, it was
found that intrahemispheric connection edges of PLI were much more than the
interhemispheric connection edges, and the intrahemispheric connection edges
had a significant differences between two groups. Conclusion: Functional
connectivity feature PLI plays an important role in depression recognition.
Especially, intrahemispheric connection edges of PLI might be an effective
biomarker to identify depression. And statistic results suggested that MDD
patients might exist functional dysfunction in left hemisphere.
- Abstract（参考訳）: 背景:うつ病は世界中で大きな健康負担となり、効果的な検出うつ病は公衆衛生上の大きな課題となっている。
この脳波に基づく研究は、うつ病の認識に有効なバイオマーカーを探究することを目的としている。
方法】大うつ病24例 (MDD) と正常29例 (HCGSN) の脳波を128チャンネルのHydroCel Geodesic Sensor Net (HCGSN) を用いて収集した。
抑うつをよく識別するために, 線形特徴, 非線形特徴, 機能的接続特徴, 位相遅延指標 (pli) を含む様々な種類の脳波特徴を抽出し, mdd患者の脳波信号の包括的解析を行った。
そして、異なる特徴選択法と分類器を用いて最適な特徴集合を評価する。
結果: 機能接続機能PLIは線形特徴や非線形特徴よりも優れている。
また,MDD患者を分類するためにすべての特徴を組み合わせれば,ReliefF特徴選択法とロジスティック回帰(LR)分類法を用いて,最も高い分類精度82.31%を得ることができる。
最適な特徴セットの分布を解析した結果, PLIの半球内接続エッジは半球間接続エッジよりもはるかに大きく, 半球内接続エッジは2つのグループ間に有意差が認められた。
結論: 機能的接続機能PLIはうつ病認識において重要な役割を果たす。
特に, PLIの半球内結合エッジは, うつ病の同定に有効なバイオマーカーである可能性がある。
その結果,MDD患者は左半球に機能障害がある可能性が示唆された。
関連論文リスト
- STANet: A Novel Spatio-Temporal Aggregation Network for Depression Classification with Small and Unbalanced FMRI Data [12.344849949026989]
時間的特徴と空間的特徴の両方を捉えるために,CNNとRNNを統合してうつ病を診断するための時空間アグリゲーションネットワーク(STANet)を提案する。
実験の結果、STANetは82.38%の精度と90.72%のAUCでうつ病診断性能に優れていた。
論文 参考訳（メタデータ） (2024-07-31T04:06:47Z) - End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence [42.52549987351643]
本稿では,貯水池計算に基づく有向グラフ解析パイプラインを提案する。
このパイプラインの目標は、ストロークデータにおける接続性のための効率的な脳表現を定義することである。
この表現は、有向グラフ畳み込みアーキテクチャ内で使われ、説明可能な人工知能(AI)ツールで調査される。
論文 参考訳（メタデータ） (2024-07-17T13:34:05Z) - DenseNet and Support Vector Machine classifications of major depressive
disorder using vertex-wise cortical features [2.29023553248714]
大うつ病 (Major depressive disorder, MDD) は、世界中の数億の個人に影響を及ぼす複雑な精神疾患である。
ディープラーニングツールのニューロイメージングデータへの応用は、MDDの診断および予測バイオマーカーを提供する可能性がある。
MDD患者と健康管理 (HC) を線形機械学習による分節的大脳皮質の特徴に基づいて解離させる試みは, 精度が低いことが報告されている。
論文 参考訳（メタデータ） (2023-11-18T11:46:25Z) - The Relationship Between Speech Features Changes When You Get Depressed:
Feature Correlations for Improving Speed and Performance of Depression
Detection [69.88072583383085]
この研究は、抑うつが音声から抽出した特徴間の相関を変化させることを示す。
このような洞察を用いることで、SVMとLSTMに基づく抑うつ検出器のトレーニング速度と性能を向上させることができる。
論文 参考訳（メタデータ） (2023-07-06T09:54:35Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z) - Depression Recognition using Remote Photoplethysmography from Facial
Videos [0.3867363075280544]
うつ病は個人の健康に有害な精神疾患である。
本研究は、異なるうつ状態が血液量脈(BVP)と心拍変動(HRV)に顕著な影響を及ぼすかどうかを観察するために生理的信号を分析する。
視覚情報に基づいて顔映像から直接抽出する新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-09T10:23:49Z) - Automatic Depression Detection via Learning and Fusing Features from
Visual Cues [42.71590961896457]
本稿では,視覚的手がかりから特徴を学習し,融合させることにより,新しい自動抑うつ検出法を提案する。
本手法は,DAIC_WOZデータセット上での最先端性能を,他の視覚的特徴に基づく手法と比較して達成する。
論文 参考訳（メタデータ） (2022-03-01T09:28:12Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z) - Ensemble approach for detection of depression using EEG features [9.818924322393752]
うつ病は社会の健康に深刻な影響を与え、社会に悪影響を及ぼす公衆衛生問題である。
本論文は、脳波(EEG)信号からうつ病の長期持続効果を判定することを目的としている。
論文 参考訳（メタデータ） (2021-03-07T19:35:03Z) - Generalized Dilated CNN Models for Depression Detection Using Inverted
Vocal Tract Variables [4.050982413149992]
声帯バイオマーカーを用いた抑うつ検出は高度に研究されている分野である。
既存の研究の発見は主に、結果の一般化性を制限する単一のデータベース上で検証されている。
拡張コニキュラルニューラルネットワークを用いた抑うつ検出のための一般化分類器を提案する。
論文 参考訳（メタデータ） (2020-11-13T03:12:36Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。