以 Higuchi 分形维数与样本熵为特征的 EEG 机器学习在抑郁症成功检测中的应用
机器学习
2020-03-27 v1 机器学习
神经元与认知
摘要
抑郁症的可靠诊断对于优化治疗和预防致命后果至关重要。在本研究中，我们旨在阐明两种非线性测度——Higuchi 分形维数 (HFD) 和样本熵 (SampEn)——应用于 EEG 检测抑郁症的有效性。EEG 信号的 HFD 和 SampEn 被用作七种机器学习算法的特征，包括多层感知机、逻辑回归、具有线性和多项式核的支持向量机、决策树、随机森林和朴素贝叶斯分类器，以区分健康对照受试者与确诊抑郁症患者的 EEG。我们证实了先前的观察结果，即这两种非线性测度均能区分患者的 EEG 信号与健康对照受试者的 EEG 信号。结果表明，即使使用少量主成分，也能实现良好的分类。各分类器的平均准确率在 90.24% 到 97.56% 之间。在这两种测度中，SampEn 的表现更好。利用 HFD 和 SampEn 以及多种机器学习技术，我们能够准确区分确诊抑郁症的患者与对照组，这可以作为诊断抑郁症的一种高灵敏度、具有临床相关性的标志物。
引用
@article{arxiv.1803.05985,
title = {EEG machine learning with Higuchi fractal dimension and Sample Entropy as features for successful detection of depression},
author = {Milena Cukic and David Pokrajac and Miodrag Stokic and slobodan Simic and Vlada Radivojevic and Milos Ljubisavljevic},
journal= {arXiv preprint arXiv:1803.05985},
year = {2020}
}
备注
34 pages, 4 Figures, 2 tables