Fugu-MT 論文翻訳(概要): Ensemble approach for detection of depression using EEG features

論文の概要: Ensemble approach for detection of depression using EEG features

arxiv url: http://arxiv.org/abs/2103.08467v1
Date: Sun, 7 Mar 2021 19:35:03 GMT
ステータス: 処理完了
システム内更新日: 2021-04-05 04:46:44.439670
Title: Ensemble approach for detection of depression using EEG features
Title（参考訳）: 脳波特徴を用いた抑うつ検出のためのアンサンブルアプローチ
Authors: Egils Avots, Kla\=vs Jermakovs, Maie Bachmann, Laura Paeske, Cagri Ozcinar, Gholamreza Anbarjafari
Abstract要約: 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。
参考スコア（独自算出の注目度）: 9.818924322393752
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Depression is a public health issue which severely affects one's well being and cause negative social and economic effect for society. To rise awareness of these problems, this publication aims to determine if long lasting effects of depression can be determined from electoencephalographic (EEG) signals. The article contains accuracy comparison for SVM, LDA, NB, kNN and D3 binary classifiers which were trained using linear (relative band powers, APV, SASI) and non-linear (HFD, LZC, DFA) EEG features. The age and gender matched dataset consisted of 10 healthy subjects and 10 subjects with depression diagnosis at some point in their lifetime. Several of the proposed feature selection and classifier combinations reached accuracy of 90% where all models where evaluated using 10-fold cross validation and averaged over 100 repetitions with random sample permutations.
Abstract（参考訳）: 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。これらの問題に対する意識を高めるため,脳波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た。本稿では、線形(相対帯域パワー、APV、SASI)および非線形(HFD、LZC、DFA)EEG機能を用いて訓練されたSVM、LDA、NB、kNN、D3バイナリ分類器の精度比較を含む。年齢と性別の一致したデータセットは、健常者10名、うつ病診断者10名で構成された。提案する機能選択と分類の組み合わせのいくつかは90%の精度に達し、10倍のクロス検証を用いて評価したすべてのモデルが、ランダムなサンプル順列で100回以上繰り返した。

関連論文リスト

Large-scale digital phenotyping: identifying depression and anxiety indicators in a general UK population with over 10,000 participants [2.2909783327197393]
英国在住の一般住民10,129名のデータを横断的に分析した。参加者は、ウェアラブル(Fitbit)データと、うつ病(PHQ-8)、不安(GAD-7)、ムードに関する自己申告アンケートを、研究アプリを通じて共有した。気分,年齢,性別,BMI,睡眠パターン,身体活動,心拍数など,うつ病の重症度と不安度との間に有意な関連が認められた。
論文参考訳（メタデータ） (2024-09-24T16:05:17Z)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
Assessing ML Classification Algorithms and NLP Techniques for Depression Detection: An Experimental Case Study [0.6524460254566905]
うつ病は世界中で何百万人もの人々に影響を与えており、最も一般的な精神疾患の1つとなっている。近年の研究では、機械学習(ML)と自然言語処理(NLP)のツールや技術がうつ病の診断に広く用いられていることが証明されている。しかし, 外傷後ストレス障害 (PTSD) などの他の症状が存在するうつ病検出アプローチの評価には, 依然としていくつかの課題がある。
論文参考訳（メタデータ） (2024-04-03T19:45:40Z)
Mental Health Diagnosis in the Digital Age: Harnessing Sentiment Analysis on Social Media Platforms upon Ultra-Sparse Feature Content [3.6195994708545016]
3次元構造を持つ新しい意味的特徴前処理手法を提案する。強化されたセマンティック機能により、精神障害を予測および分類するために機械学習モデルを訓練する。提案手法は,7つのベンチマークモデルと比較して,大幅な性能向上を示した。
論文参考訳（メタデータ） (2023-11-09T00:15:06Z)
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)
Handwriting and Drawing for Depression Detection: A Preliminary Study [53.11777541341063]
精神健康に対する短期的コビデンスの影響は、不安や抑うつ症状の顕著な増加であった。本研究の目的は、健康な人とうつ病患者を識別するために、オンライン手書き・図面解析という新しいツールを使用することである。
論文参考訳（メタデータ） (2023-02-05T22:33:49Z)
Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
論文参考訳（メタデータ） (2022-11-09T14:48:13Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Deep Multi-task Learning for Depression Detection and Prediction in Longitudinal Data [50.02223091927777]
うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
論文参考訳（メタデータ） (2020-12-05T05:14:14Z)
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)
A study of resting-state EEG biomarkers for depression recognition [11.202182020497402]
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。
論文参考訳（メタデータ） (2020-02-23T08:33:08Z)

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。