論文の概要: Depression Detection Based on Electroencephalography Using a Hybrid Deep Neural Network CNN-GRU and MRMR Feature Selection

• arxiv url: http://arxiv.org/abs/2601.10959v1
• Date: Fri, 16 Jan 2026 02:58:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.341286
• Title: Depression Detection Based on Electroencephalography Using a Hybrid Deep Neural Network CNN-GRU and MRMR Feature Selection
• Title（参考訳）: ハイブリッドディープニューラルネットワークCNN-GRUとMRMR特徴選択を用いた脳波による抑うつ検出
• Authors: Mohammad Reza Yousefi, Hajar Ismail Al-Tamimi, Amin Dehghani,
• Abstract要約: 本研究では, 深層学習を用いた抑うつ状態と非抑うつ状態の検出と分類について検討した。 提案フレームワークは、畳み込みニューラルネットワーク(CNN)とゲートリカレントユニット(GRU)を組み合わせて、脳波記録から空間的特徴と時間的特徴を共同抽出する。 その結果, 提案モデルでは, 抑うつ状態の同定精度が98.74%と高い結果が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study investigates the detection and classification of depressive and non-depressive states using deep learning approaches. Depression is a prevalent mental health disorder that substantially affects quality of life, and early diagnosis can greatly enhance treatment effectiveness and patient care. However, conventional diagnostic methods rely heavily on self-reported assessments, which are often subjective and may lack reliability. Consequently, there is a strong need for objective and accurate techniques to identify depressive states. In this work, a deep learning based framework is proposed for the early detection of depression using EEG signals. EEG data, which capture underlying brain activity and are not influenced by external behavioral factors, can reveal subtle neural changes associated with depression. The proposed approach combines convolutional neural networks (CNNs) and gated recurrent units (GRUs) to jointly extract spatial and temporal features from EEG recordings. The minimum redundancy maximum relevance (MRMR) algorithm is then applied to select the most informative features, followed by classification using a fully connected neural network. The results demonstrate that the proposed model achieves high performance in accurately identifying depressive states, with an overall accuracy of 98.74%. By effectively integrating temporal and spatial information and employing optimized feature selection, this method shows strong potential as a reliable tool for clinical applications. Overall, the proposed framework not only enables accurate early detection of depression but also has the potential to support improved treatment strategies and patient outcomes.
• Abstract（参考訳）: 本研究では, 深層学習を用いた抑うつ状態と非抑うつ状態の検出と分類について検討した。 うつ病は、生活の質に重大な影響を与え、早期診断は治療効果と患者のケアを大幅に向上させる。 しかし、従来の診断法は、しばしば主観的であり信頼性に欠ける自己報告型評価に大きく依存している。 その結果、うつ状態を特定する客観的かつ正確な技術が強く求められている。 本研究では,脳波信号を用いた抑うつの早期検出のためのディープラーニングに基づくフレームワークを提案する。 脳波のデータは脳活動の基盤を捉え、外部の行動要因の影響を受けないが、うつ病に関連する微妙な神経変化を明らかにする可能性がある。 提案手法は、畳み込みニューラルネットワーク(CNN)とゲートリカレントユニット(GRU)を組み合わせて、脳波記録から空間的特徴と時間的特徴を共同抽出する。 最小冗長性最大関連性(MRMR)アルゴリズムは、次に完全に接続されたニューラルネットワークを用いて分類され、最も情報性の高い特徴を選択するために適用される。 その結果, 提案モデルでは, 抑うつ状態の同定精度が98.74%と高い結果が得られた。 時間的・空間的な情報を効果的に統合し、最適化された特徴選択を採用することにより、臨床応用のための信頼性の高いツールとして強い可能性を示す。 全体として,提案フレームワークはうつ病の早期発見を可能にするだけでなく,治療戦略の改善や患者の予後を支援する可能性も持っている。

関連論文リスト

• DepFlow: Disentangled Speech Generation to Mitigate Semantic Bias in Depression Detection [54.209716321122194]
  抑うつ条件付きテキスト音声合成フレームワークであるDepFlowについて述べる。 抑うつ音響カモフラージュは、対向訓練を通じて話者と内容不変の抑うつ埋め込みを学習する。 フローマッチングTTSモデルとFiLM変調はこれらの埋め込みを合成に注入し、うつ病の重症度を制御する。 プロトタイプベースの重度マッピング機構は、うつ病連続体を滑らかかつ解釈可能な操作を提供する。
  論文  参考訳（メタデータ） (2026-01-01T10:44:38Z)
• Bridging Accuracy and Explainability in EEG-based Graph Attention Network for Depression Detection [1.1147827531284868]
  うつ病は世界的な精神疾患の主要な原因であり、自殺率に大きな影響を及ぼす。 エッジゲート・軸混入型Pooling Attention Network (ExPANet) というグラフに基づく新しいディープラーニングフレームワークを提案する。 このアーキテクチャは、局所電極特性と包括的機能接続パターンの両方を取得する。
  論文  参考訳（メタデータ） (2025-10-29T18:50:59Z)
• Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
  青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。 従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。 本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。 我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
  論文  参考訳（メタデータ） (2025-10-02T19:38:46Z)
• Naturalistic Language-related Movie-Watching fMRI Task for Detecting Neurocognitive Decline and Disorder [60.84344168388442]
  言語関連機能的磁気共鳴画像(fMRI)は,認知機能低下と早期NCDの検出に有望なアプローチである。 香港在住の高齢者97名を対象に,この課題の有効性について検討した。 本研究は、加齢に伴う認知低下とNCDの早期発見のための自然言語関連fMRIタスクの可能性を示した。
  論文  参考訳（メタデータ） (2025-06-10T16:58:47Z)
• Neural Responses to Affective Sentences Reveal Signatures of Depression [18.304785509577766]
  大うつ病(Major Depressive Disorder、MDD)は、非常に一般的な精神疾患であり、その神経認知基盤の深い理解が不可欠である。 本研究では、自己参照感情文に対する神経反応を測定することにより、抑うつが感情処理の時間的ダイナミクスをどう変えるかを検討する。 以上の結果から,抑うつ状態における感情情報と自己参照情報の統合が阻害されたことが示唆された。
  論文  参考訳（メタデータ） (2025-06-06T17:09:08Z)
• MoodAngels: A Retrieval-augmented Multi-agent Framework for Psychiatry Diagnosis [58.67342568632529]
  MoodAngelsは、気分障害の診断のための最初の特殊なマルチエージェントフレームワークである。 MoodSynは、合成精神医学の1,173件のオープンソースデータセットである。
  論文  参考訳（メタデータ） (2025-06-04T09:18:25Z)
• Wearable-Derived Behavioral and Physiological Biomarkers for Classifying Unipolar and Bipolar Depression Severity [5.13481745926985]
  うつ病は複雑な精神障害であり、伝統的な主観的評価を超える様々な観察可能な指標と測定可能な指標によって特徴づけられる。 近年の研究では、うつ病の生理的、行動的側面をより正確に把握するために、ウェアラブルデバイスを用いた客観的、受動的、継続的な監視に焦点を当てている。 本研究では、ウェアラブルデバイスを利用して、うつ病のサブタイプ(特異的に単極性、双極性)を予測し、診断精度を高め、パーソナライズされた治療戦略をサポートすることのできる特徴的なバイオマーカーを同定する。
  論文  参考訳（メタデータ） (2025-04-17T20:41:28Z)
• 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)
• 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)
• 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。