Detail publikace
Effective EEG Feature Selection for Interpretable MDD (Major Depressive Disorder) Classification
Jawed Soyiba, Dr., MSc (VZ Automata@FIT)
Arif Muhammad, Ph.D.
Malik Aamir Saeed, prof., Ph.D. (UPSY)
electroencephalogram (EEG), feature extraction, major depressive disorder
V tomto článku navrhujeme interpretovatelnou metodu pro diagnostiku velké depresivní poruchy (MDD) založenou na elektroencefalogramu (EEG). Experimentální data EEG byla získána od 32 pacientů s MDD a 29 zdravých jedinců. Byla zkonstruována matice příznaků zahrnující frekvenční dekompozici EEG dat na základě hustoty výkonového spektra (PSD) pomocí Welchovy metody. Byly vybrány ty příznaky PSD, které byly statisticky významné. Pro zlepšení interpretovatelnosti byly nejprve vybrány nejlepší příznaky z prostoru příznaků pomocí vícekriteriálního evolučního algoritmu NSGA-II. Nejlepší příznaky jsou využity pro klasifikaci pomocí algoritmů SVM a k-NN. Výsledky jsou následně korelovány s příznaky, aby se zlepšila interpretovatelnost. Výsledky ukazují, že příznaky (gama pásmo) extrahované z levé spánkové oblasti mozku dokáží významně odlišit pacienty s MDD od kontrolní skupiny. Navržené nejlepší řešení pomocí NSGA-II poskytuje průměrnou citlivost 93,3 %, specifičnost 93,4 % a přesnost 93,5 %. Kompletní systém je zveřejněn jako open-source na adrese https://github.com/ehw-fit/eeg-mdd.
@inproceedings{BUT185129,
author="Vojtěch {Mrázek} and Soyiba {Jawed} and Muhammad {Arif} and Aamir Saeed {Malik}",
title="Effective EEG Feature Selection for Interpretable MDD (Major Depressive Disorder) Classification",
booktitle="GECCO 2023 - Proceedings of the 2023 Genetic and Evolutionary Computation Conference",
year="2023",
pages="1427--1435",
publisher="Association for Computing Machinery",
address="Lisbon",
doi="10.1145/3583131.3590398",
isbn="979-8-4007-0119-1",
url="https://dl.acm.org/doi/10.1145/3583131.3590398"
}