In this study, the aim is to develop an ensemble machine learning (ML) based deep learning (DL) model classifiers to detect and compare one type of major psychiatric disorders of mood disorders (Depressive and Bipolar disorders) using Electroencephalography (EEG). The diverse and multiple non-invasive biosignals were collected retrospectively according to the granted ethical permission. The experimental part is consisted from three main parts. First part is the data collection&development, the second part is data transformation and augmentation via Spectrogram image conversion process and online Keras data augmentation part, respectively. The third and final part is to fed these image dataset into modified Convolutional Neural Network (CNN) and VGG16 models for training and testing parts to detect, compare and discriminate mood disorders types in detail with a specific healthy group. As the performance evaluation background of the mood disorder classification models, confusion matrices and receiver operating characteristics (ROC) curves were used and finally, the accuracy achieved by CNN model was 88% and VGG16 model was %90, which is an improvement of 10% compared to the previous studies in literature. Therefore, our system can help clinicians and researchers to manage, diagnose and prognosis of the mental health of people.
Psychiatric disorders Mood disorder Depressive disorder Bipolar Disorder Deep Learning Pretrained model classification
Bu çalışmada amaç, Elektroensefalografi (EEG) kullanarak duygudurum bozukluklarının (Depresif ve Bipolar bozukluklar) bir tür majör psikiyatrik bozukluğunu saptamak ve karşılaştırmak için topluluk makine öğrenimi (ML) tabanlı derin öğrenme (DL) model sınıflandırıcıları geliştirmektir. Çeşitli ve çoklu non-invaziv biyosinyaller, verilen etik izne göre geriye dönük olarak toplandı. Deneysel kısım üç ana bölümden oluşmaktadır. Birinci bölüm veri toplama ve geliştirme, ikinci bölüm ise sırasıyla Spektrogram görüntü dönüştürme işlemi ve çevrimiçi Keras veri artırma bölümü aracılığıyla veri dönüştürme ve artırmadır. Üçüncü ve son bölüm, duygudurum bozuklukları türlerini belirli bir sağlıklı grupla ayrıntılı olarak saptamak, karşılaştırmak ve ayırt etmek için eğitim ve test bölümleri için bu görüntü veri setini değiştirilmiş Konvolüsyonel Sinir Ağı (KSA) ve VGG16 modellerine beslemektir. Duygudurum bozukluğu sınıflama modellerinin performans değerlendirme arka planı olarak karışıklık matrisleri ve alıcı işletim karakteristikleri (ROC) eğrileri kullanılmış ve son olarak KSA modelinin doğruluk oranı %88 ve VGG16 modelinin sağladığı doğruluk %90, yani %10'luk bir iyileşme olmuştur. literatürdeki önceki çalışmalarla karşılaştırılmıştır. Bu nedenle sistemimiz klinisyenlere ve araştırmacılara insanların ruh sağlığını yönetme, teşhis etme ve tahmin etme konusunda yardımcı olabilir.
Psychiatric disorders Mood disorder Depressive disorder Bipolar Disorder Deep Learning Pretrained model classification
Primary Language | English |
---|---|
Subjects | Engineering |
Journal Section | Articles |
Authors | |
Publication Date | January 31, 2023 |
Submission Date | January 2, 2023 |
Published in Issue | Year 2023 Volume: 15 Issue: 1 |
All Rights Reserved. Kırıkkale University, Faculty of Engineering and Natural Science.