Feature Extraction to Identify Depression and Anxiety Based on EEG
Notice bibliographique
Résumé
Biomarkers in neurophysiological signals can be analyzed to determine indicators of mood disorders for diagnosis. In this paper, EEG signals were analyzed from a public database of 119 subjects ages 18 to 24 performing a cognitive task. 45 subjects had moderate to severe anxiety and/or depression and the remaining 74 subjects had minimal or none. A subject's level of depression and/or anxiety was classified by standard psychological tests. EEG signals were preprocessed and separated into frequency bands: beta (12-30 Hz), alpha (8-12 Hz), theta (4-8 Hz) and delta (0.5-4 Hz). Features were extracted including Higuchi Fractal Dimension, correlation dimension, approximate entropy, Lyapunov exponent and detrended fluctuation analysis. Similarities, and asymmetry can be examined between the left and right brain hemispheres as well as the prefrontal cortex channels. ANOVA II analysis showed a significant difference (p<0.05) for topographical region comparisons of several features between the affected and unaffected subjects for specific features. The results demonstrate physiological asymmetry between high scoring subjects indicating a mood disorder, with low scoring, to be used as an indicator of illness. Understanding the complexities of how depression and anxiety are manifested physiologically including its comorbidities, is critical for accurate and objective diagnosis of mood and anxiety order disorders.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».