EEG-based classification of anxiety subtypes using machine learning

Abstract

Cílem této práce je vytvořit model strojového učení pro klasifikaci podtypů úzkosti pomocí EEG. Jsou extrahovány příznaky z časové, frekvenční, konektivitní a asymetrické domény. Byly klasifikovány EEG nahrávky ze tří tříd: generalizovaná úzkostná porucha (GAD), sociální úzkostná porucha (SAD) a kontrolní subjekty. Klasické klasifikátory a modely pro hluboké učení byly testovány pomocí křížové validace typu „Leave-One-Subject-Out“ (LOSO-CV), která zajišťuje zobecnitelnost na nové subjekty. Klasifikátor SVM s jádrem RBF dosáhl přesnosti 77 %. Modely pro hluboké učení (CNN a LSTM) dosáhly přes- nosti 65 % a 60 %. Výrazný rozdíl mezi výsledky validace K-fold a LOSO-CV (93 % oproti 77 %) zdůrazňuje důležitost validace na nových subjektech. V této práci byl implementován nástroj zajišťující předzpracování, extrakci příznaků a klasifikaci a byl použit k získání uve- dených výsledků.

This thesis aims to create a machine learning model for objective classification of anx- iety subtypes using EEG. Features from time, frequency, connectivity, and asymmetry domains are extracted. Three-class classification is performed on generalized anxiety dis- order (GAD), social anxiety disorder (SAD), and healthy subjects. Feature-based classi- fiers and deep learning models are evaluated using Leave-One-Subject-Out cross-validation (LOSO-CV) to ensure generalizability to new patients. The SVM classifier with RBF ker- nel achieved the an accuracy of 77%. The CNN and LSTM models reached 65% and 60% accuracy, respectively. The substantial difference between K-fold and LOSO-CV results (93% vs. 77%) highlights the importance of subject-independent validation. In this work, a complete pipeline for preprocessing, feature extraction, and classification was implemented and used to obtain these three-class classification results.