Machine learning approaches for detecting depression using eeg signals

  • Eunice Monteiro de Oliveira (Aluno)

Tese do aluno

Resumo

O cargo dos distúrbios neurológicos continua a crescer, estimando-se que, a nível mundial, 264 milhões de pessoas sofram de depressão atualmente. Devido ao estigma associado à doença mental e ao facto de a abordagem de diagnóstico mais comum ser tão humano-intensiva, é menos provável que os indivíduos deprimidos procurem ajuda. Além disso, os resultados do diagnóstico estão dependentes da experiência do profissional de saúde. Quando os pacientes são incorretamente diagnosticados, a procura de explicações físicas dos sintomas aumenta ainda mais o custo dos cuidados médicos, que muitas pessoas não têm capacidade financeira para suportar. Como tal, a procura de um método de diagnóstico da depressão económico, objetivo, e menos humano-intensivo torna-se crucial. O presente estudo centrou-se no desenvolvimento de uma ferramenta capaz de detetar padrões indicativos de depressão e de discriminar automaticamente os pacientes deprimidos através da análise de sinais EEG. Com recurso à Transformada de Wavelet Discreta 1D, foi realizada uma análise multibanda dos sinais por canal EEG. Após os processos de extração e seleção de parâmetros, os parâmetros obtidos alimentaram 25 modelos de Machine Learning e uma Rede Neural Convolucional (CNN). Os três classificadores com melhor desempenho foram os seguintes: Análise Discriminante Linear, Máquina de Vetor de Suporte (janela cúbica), e a CNN concebida, com uma precisão de classificação global de 94,8%, 93,9%, e 94,9%, respetivamente. Através destes três classificadores, a comparação entre sujeitos deprimidos e controlos saudáveis atingiu uma precisão de 100% em vários canais. Os resultados obtidos pelos classificadores, juntamente com uma análise através de mapas topográficos, levam a concluir que existe uma diferença na frequência das ondas cerebrais entre os dois grupos, com uma forte incidência nas regiões frontocentral, central, e parietoccipital do couro cabeludo. Embora a análise do sinal EEG ainda não possa ser aplicada como ferramenta de diagnóstico da depressão, os resultados deste estudo continuam a ser relevantes do ponto de vista teórico.
Data do prémio26 mai 2022
Idioma originalEnglish
Instituição de premiação
  • Universidade Católica Portuguesa
SupervisorPedro Miguel Rodrigues (Supervisor) & Bruno Catarino Bispo (Co-Orientador)

Keywords

  • Depressão
  • Machine learning
  • Rede neural convolucion
  • Sinais EEG
  • Transformada de wavelet discreta

Designação

  • Mestrado em Engenharia Biomédica

Citação

'