Μοντέλα Μηχανικής Μάθησης για τη διάγνωση Καταθλιπτικής Διαταραχής από δεδομένα Ηλεκτροεγκεφαλογραφημάτων

Machine Learning Models for Diagnosing Depressive Disorder Using Electroencephalogram (EEG) Data (Αγγλική)

  1. MSc thesis
  2. AΝΔΡΕΑΣ ΚΑΛΟΓΕΡΗΣ
  3. Βιοπληροφορική και Νευροπληροφορική (ΒΝΠ)
  4. 19 Ιουλίου 2025
  5. Ελληνικά
  6. 234
  7. ΑΘΑΝΑΣΙΟΥ ΑΛΚΙΝΟΟΣ
  8. ΑΘΑΝΑΣΙΟΥ, ΑΛΚΙΝΟΟΣ | Αδαμόπουλος Αδάμ | Θεμιστοκλής Έξαρχος
  9. Μηχανική Μάθηση, Κατάθλιψη, Random Forst, Support Vector Machine, Stacking Classifier
  10. ΒΝΠΔΕ
  11. 6
  12. 4
  13. 180
  14. Διαγράμματα, Σχ΄΄ηματα

    • Η κατάθλιψη είναι μια ψυχιατρική διαταραχή με ολοένα αυξανόμενη συχνότητα εμφάνισης στον σύγχρονο κόσμο. Η διάγνωσή της βασίζεται κυρίως σε κλινική εκτίμηση, σύμφωνα με τα παγκοσμίως αποδεκτά κριτήρια του Διεθνούς Ταξινομητικού Συστήματος Νοσημάτων (ICD-11) και του Διαγνωστικού και Στατιστικού Εγχειριδίου Ψυχικών Διαταραχών (DSM-V). Πολλές μελέτες έχουν εστιάσει στις αλλαγές που παρατηρούνται στο Ηλεκτροεγκεφαλογράφημα (ΗΕΓ) σε ασθενείς με κατάθλιψη, εντοπίζοντας διαφορές στην κατανομή των συχνοτήτων εγκεφαλικής δραστηριότητας.Πρόσφατα, αυξήθηκε το ερευνητικό ενδιαφέρον στη χρήση μοντέλων Μηχανικής Μάθησης (MΜ) σε συνδυασμό με  δεδομένα ΗΕΓ για τη διάγνωση της κατάθλιψης. Στην παρούσα μελέτη, παρουσιάζουμε μια συγκριτική ανάλυση διαφορετικών μοντέλων MΜ για την αναγνώριση της κατάθλιψης με χρήση δεδομένων ΗΕΓ. Συγκεκριμένα, εφαρμόστηκαν τρία μοντέλα: Random Forest (RF), Support Vector Machine (SVM) και το Stacking Classifier, χρησιμοποιώντας Phase Locking Value (PLV) σε πέντε διαφορετικές ζώνες συχνοτήτων. Όλα τα μοντέλα πέτυχαν ακρίβεια άνω του 90%, με το Stacking Classifier να αποδίδει τα καλύτερα αποτελέσματα, επιτυγχάνοντας 96% Ευαισθησία (Sensitivity) και 98% Ειδικότητα (Specificity). Τα αποτελέσματα αναδεικνύουν τη σημασία του Stacking Classifier και υποδεικνύουν τη δυνητική εφαρμογή του στη διάγνωση και άλλων ψυχιατρικών διαταραχών.

    • Depression is a psychiatric disorder with an increasing prevalence in the modern world. Its diagnosis primarily relies on clinical assessment based on globally accepted criteria, including the International Classification of Diseases (ICD-11) and the Diagnostic and Statistical Manual of Mental Disorders (DSM-V). Numerous studies have investigated Electroencephalography (EEG) alterations in depression, identifying differences in the prevalence of specific frequency bands in affected individuals. Recently, there has been a growing research focus on utilizing Machine Learning (ML) models in conjunction with EEG data for depression diagnosis. In this study, we present a comparative analysis of different ML models for depression detection using EEG data. Three models were implemented: Random Forest (RF), Support Vector Machine (SVM), and a Stacking Classifier, utilizing Phase Locking Value (PLV) across five different frequency bands. All models achieved an accuracy exceeding 90%, with the Stacking Classifier yielding the best performance, achieving 96% Sensitivity and 98% Specificity. These findings highlight the efficacy of the Stacking Classifier and suggest its potential application in the diagnosis of other psychiatric disorders.

  16. Hellenic Open University
  17. Αναφορά Δημιουργού-Μη Εμπορική Χρήση 4.0 Διεθνές