さまざまな畳み込みニューラルネットワークモデルに基づく主要な抑うつ障害分類：ディープラーニングアプローチ

人間の脳は、一意の認知特性を統合する複雑な構造的で機能的なつながりによって特徴付けられます。脳の構造的および機能的なつながりの両方を評価し、神経変性疾患の診断と治療における効果を評価するための基本的なハードルがあります。現在、大うつ病性障害（MDD）の診断を確認できる臨床的に特異的な診断バイオマーカーはありません。したがって、ディープラーニング（DL）に基づいた気分障害の翻訳バイオマーカーを探索することは、最近強調された有望な結果により貴重な可能性があります。この記事では、MDDの脳波（EEG）ベースの診断モデルが、深い畳み込みニューラルネットワーク（CNN）アプローチと組み合わせた高度な計算神経科学方法論を通じて構築されています。EEGの記録は、MDD患者と健康なコントロールを二分化するために、3つの異なるディープCNN構造、すなわちResNet-50、MobileNet、Inception-V3をモデル化することにより分析されます。EEGデータは、4つの主要な周波数帯域（Δ、θ、α、およびβについて収集され、19の電極からデータを収集することにより、位置情報を伴う空間解像度を伴います。前処理ステップに続いて、異なるDLアーキテクチャを使用して、識別パフォーマンスを比較することで異なるDLアーキテクチャを採用しました。分類精度。位置データに基づくモデルの分類パフォーマンス、MobileNetアーキテクチャは89.33％および92.66％の分類精度を生成しました。周波数帯域に関しては、90.22％の予測精度と曲線下面積（AUC）の他のバンドと比較して、デルタ周波数帯域がパフォーマンスが発生しました。ResNet-50アーキテクチャの0.9の値。研究の主な貢献は、46人の健康な被験者から46 MDD被験者を二分化するために、さまざまなDLアーキテクチャを使用して特徴的な空間的および時間的特徴の描写です。この研究の主な焦点であり、精神障害の理解を改善する有望な可能性があるが、計算方法は診断プロセスにとって非常に価値があり、古典的なアプローチと比較して速度と精度の両方の点で非常に価値がある。

The human brain is characterized by complex structural, functional connections that integrate unique cognitive characteristics. There is a fundamental hurdle for the evaluation of both structural and functional connections of the brain and the effects in the diagnosis and treatment of neurodegenerative diseases. Currently, there is no clinically specific diagnostic biomarker capable of confirming the diagnosis of major depressive disorder (MDD). Therefore, exploring translational biomarkers of mood disorders based on deep learning (DL) has valuable potential with its recently underlined promising outcomes. In this article, an electroencephalography (EEG)-based diagnosis model for MDD is built through advanced computational neuroscience methodology coupled with a deep convolutional neural network (CNN) approach. EEG recordings are analyzed by modeling 3 different deep CNN structure, namely, ResNet-50, MobileNet, Inception-v3, in order to dichotomize MDD patients and healthy controls. EEG data are collected for 4 main frequency bands (Δ, θ, α, and β, accompanying spatial resolution with location information by collecting data from 19 electrodes. Following the pre-processing step, different DL architectures were employed to underline discrimination performance by comparing classification accuracies. The classification performance of models based on location data, MobileNet architecture generated 89.33% and 92.66% classification accuracy. As to the frequency bands, delta frequency band outperformed compared to other bands with 90.22% predictive accuracy and area under curve (AUC) value of 0.9 for ResNet-50 architecture. The main contribution of the study is the delineation of distinctive spatial and temporal features using various DL architectures to dichotomize 46 MDD subjects from 46 healthy subjects. Exploring translational biomarkers of mood disorders based on DL perspective is the main focus of this study and, though it is challenging, with its promising potential to improve our understanding of the psychiatric disorders, computational methods are highly worthy for the diagnosis process and valuable in terms of both speed and accuracy compared with classical approaches.