Classification and Detection of Cognitive Disorders like Depression and Anxiety Utilizing Deep Convolutional Neural Network (CNN) Centered on EEG Signal
Notice bibliographique
Résumé
Electroencephalography (EEG) is a test performed to assess the electrical signals spontaneously produced during brain activities.In recent years, it is popularly used for studying both normal and pathological changes occurring in the human brain.With the World Health Organization (WHO) listing psychological disorders as a major health issue faced by the modern society, the current work focuses on this niche.It categorizes cognitive impairment like depression and anxiety using a computer-aided machine learning approach called Convolutional Neural Network.The deep CNN is trained using EEG signals from 30 patients suffering from depression and 30 others suffering from anxiety.Initially, the signal is preprocessed using Fractional Order Butterworth Filter (FOBF).The work considers the occurrence of ultra-damped, hyper-damped, and under-damped poles while designing a FOBF in a composite w-plane (w=sq; where, q is a real number).As usually executed for integer order filters in a composite w-plane, the primary initial fractional Butterworth filter is employed.The characteristics of each electrode's gamma, theta, delta, beta, alpha, and full-band EEG are then analyzed.This results in the removal of 270 nonlinear and linear characteristics.The feature space's dimensions are then reduced using a feature selection approach called Minimal-Redundancy-Maximal-Relevance (MRMR).The EEG characteristics are finally categorized by utilizing the suggested deep CNN, Artificial Neural Network (ANN) and K-Nearest Neighbor (KNN).The accuracy of classification of the proposed approach is evaluated and found to be 97.6%.This shows it is promising for detecting depression and anxiety symptoms accurately and cost-effectively.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».