基于小波的技术来预测重度抑郁症的治疗结果

严重抑郁症（MDD）的治疗管理一直具有挑战性。 但是，基于脑电图（EEG）预测抗抑郁药治疗结果可能有助于抗抑郁药的选择，并最终改善MDD患者的生活质量。 在这项研究中，提出了一种涉及预处理.EEG数据的机器学习（ML）方法，以对选择性5-羟色胺再摄取抑制剂（SSRIs）进行此类预测。 为此目的，实验数据的采集涉及34位MDD。患者和30位健康对照。 因此，基于小波变换（WT）分析，构造了包含脑电数据时频分解的特征矩阵，称为脑电数据矩阵。 但是，所得的EEG数据矩阵具有较高的维数。 因此，根据标准，即接收机工作特性（ROC），基于基于等级的特征选择方法来进行尺寸缩小。 结果，在分类模型（即逻辑回归（LR）分类器）的训练和测试过程中，最重要的特征被识别并被进一步利用。 最后，通过10次交叉验证（10-CV）的100次迭代来验证LR.model。 将分类结果与短时傅立叶变换（STFT）分析和经验模态分解（EMD）进行了比较。 从额叶和颞叶脑电图数据中提取的小波特征具有统计学意义。 与STFT和EMD等其他时频方法相比，WT分析显示出最高的分类准确性，即准确度= 87.5％，灵敏度= 95％和