4電極EEG静止状態データに適用した深層学習は未訓練外部集団におけるうつ病を検出する【JST・京大機械翻訳】

Jan, D.; de Vega, M.; Lopez-Pigui, J.; Padron, I.

プレプリント

J-GLOBAL ID：202202214034822179 整理番号：22P0326571

4電極EEG静止状態データに適用した深層学習は未訓練外部集団におけるうつ病を検出する【JST・京大機械翻訳】

Deep learning applied to 4-electrode EEG resting-state data detects depression in an untrained external population

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年04月05日プレプリントサーバーでの情報更新日： 2022年04月05日
JST資料番号： O7002B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

本研究では,いくつかの深層学習アルゴリズムを訓練し試験し,それらの脳波データに基づいて,抑鬱者と対照を分類した。伝統的に,脳波静止状態に基づく分類法は,一次特徴または線形および非線形特徴の組み合わせに基づいている。種々の理論的根拠に基づいて,いくつかの著者は,より多くの電極,より正確な分類器,他のものが,電極の選択に関する作業がより良いアプローチであると主張する。本研究では,データ駆動アプローチを,最初に,25の抑鬱者と24人の対照参加者を分類するための電極の選択に適用した。4つの電極を有する分類器を用いて,高いテンポ-空間複雑性を有する非線形特徴に基づいて,抑鬱と制御参加者を分類するのに十分な精度を証明した。分類器を内部訓練し,試験した後,公共データベースから利用可能な対照および抑鬱性個人の脳波静止状態データに適用し,対照群の抑鬱および100%の分類器精度を得た。これは,異なるチーム,個体群および設定から非訓練データに対する分類器の一般化可能性を検証した。時間窓スパン解析は,鬱病の神経動力学を理解し,独立したバイオマーカーを開発するための有望なアプローチであると結論した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , 人間機械系

, , , , ,

前のページに戻る