Analyzing brain electroencephalogram (EEG) signals to detect anxiety and depression

Abstract

Táto práca zoznamuje čitatela so súčasnými prístupmi k analýze EEG signálov na detekciu úzkosti a depresie. Predstavuje metódu, ktorá kombinuje spracovanie signálov a strojové učenie v procese zahŕňajúcom predspracovanie, extrakciu a výber príznakov a klasifikáciu. EEG príznaky sú získavané z mikrostavov, ako aj časovej, frekvenčnej. časovo-frekvenčnej a konektívnej domény a slúžia na rozlíšenie medzi zdravými jedincami a pacientmi s úzkosťou, sociálnou úzkostnou poruchou (SAD) alebo depresiou (MDD). Implementovaný model dosiahol presnosť klasifikácie až 92% a bol nasadený ako cloudová aplikácia na demonštráciu praktického využitia.

This thesis introduces the reader to current approaches for analyzing EEG signals to detect anxiety and depression. We present a method that combines signal processing and machine learning in a multi-phase pipeline consisting of preprocessing, feature extraction, feature selection, and classification. EEG features are derived from microstates, time, frequency, time-frequency, and connectivity domains to differentiate between healthy individuals and those with anxiety, social anxiety disorder (SAD), or major depressive disorder (MDD). The implemented model achieved classification accuracy of up to 92% and was deployed as a cloud-based application to demonstrate practical use.