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
- 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) - Can Domain Adaptation Improve Accuracy and Fairness of Skin Lesion
Classification? [55.49029146917322]
各種非教師付き領域適応法(UDA)の2値・多値皮膚病変分類における適用可能性について検討した。
実験の結果,UDAは二分分類に有効であり,不均衡が緩和された場合にはさらなる改善が見られた。
本研究は,少数派に対する偏見を効果的に低減し,公平性を重視したテクニックを明示的に用いなくても公平性を促進できることを示した。
論文 参考訳(メタデータ) (2023-07-06T17:32:38Z) - 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) - Mixed Effects Random Forests for Personalised Predictions of Clinical
Depression Severity [2.6572038957677657]
本研究は,マルチモーダルな生理・デジタル活動データを用いて,無作為な森林がうつ病の重症度を正確に予測する方法を実証する。
臨床うつ病評価尺度(S_17)では,無作為林の混合効果が,標準ランダム林と個人平均ベースラインを上回っていることが示されている。
モデルパラメータをデータセット内の個人にパーソナライズする混合効果ランダムフォレストの有効性により,この結果が向上することが示唆された。
論文 参考訳(メタデータ) (2023-01-24T04:50:55Z) - 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) - 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) - 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。
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。