Um framework de triagem de depressão baseado em aprendizado de máquina usando características do domínio temporal dos sinais de eletroencefalografia

A depressão é um transtorno mental grave que afeta milhões de indivíduos em todo o mundo. O reconhecimento oportuno e preciso da depressão é vital para a mediação apropriada e tratamento eficaz. A eletroencefalografia (EEG) surgiu como uma ferramenta promissora para a análise dos correlatos neurais da depressão e, portanto, tem o potencial de contribuir efetivamente para o diagnóstico da depressão. Este estudo apresenta um mecanismo de detecção de transtorno mental depressivo baseado em EEG usando um conjunto de dados EEG disponível publicamente chamado Multi-modal Open Dataset for Mental-disorder Analysis (MODMA). Este estudo utiliza dados de EEG adquiridos de 55 participantes usando 3 eletrodos em condição de repouso. Doze características do domínio temporal são extraídas dos dados de EEG criando uma janela não sobreposta de 10 segundos, que é apresentada a um novo mecanismo de seleção de características. O algoritmo de seleção de características seleciona o conjunto ótimo de atributos com maior poder discriminativo para classificar pacientes com transtornos mentais depressivos e controles saudáveis. Os atributos de EEG selecionados são classificados usando três algoritmos de classificação diferentes, ou seja, Best-First (BF) Tree, k-nearest neighbor (KNN) e AdaBoost. A maior acurácia de classificação de 96,36% é alcançada usando BF-Tree com um vetor de características de comprimento 12. O esquema proposto de classificação de depressão mental supera os esquemas existentes de classificação de depressão em termos do número de eletrodos usados para gravação EEG, comprimento do vetor de características e a acurácia de classificação alcançada. O framework proposto pode ser usado em ambientes psiquiátricos, fornecendo suporte valioso aos psiquiatras.