Prediction of psychological disorder levels with deep learning models based on electroencephalography (EEG) signals

Abstract

Psychological disorders, diverse and complex, paint a spectrum of challenges across the human experience. Depression is one of the life-threatening psychological disorders that impacts millions of individuals worldwide. Traditional diagnosis depends heavily on subjective reports, which inhibits objectivity and accuracy. This study investigates the potential of deep neural networks (DNNs) in detecting and characterizing depression severity using electroencephalography (EEG) data. In this study, an open source dataset is examined, which includes resting state and task-driven EEG recordings of 60 subjects to classify to predict severity of depression, based on self-rating depression scale (SDS) score. Severity of subjects are labeled by the ranges of SDS score. Using the significant feature extraction capabilities of DNNs, particularly convolutional neural networks (CNNs) and recurrent neural networks (RNNs), it is aimed to classify depression severity level using EEG data itself and extracted features from EEG data proposed in the literature. Accuracies of different input representations are obtained. It is observed that using combinations of feature representations of EEG data shows promising results in the above-mentioned networks.

Çok çeşitli ve karmaşık olan psikolojik bozukluklar, insan deneyimi boyunca karşılaşılan zorlukların bir spektrumunu çizer. Depresyon, dünya çapında milyonlarca bireyi etkileyen ve yaşamı tehdit eden psikolojik bozukluklardan biridir. Geleneksel teşhis büyük ölçüde öznel raporlara dayanır ve bu da nesnelliği ve doğruluğu engeller. Bu çalışma, derin sinir ağlarının (DNN) elektroensefalografi (EEG) verilerini kullanarak depresyon şiddetini tespit etme ve karakterize etme potansiyelini araştırmaktadır. Bu çalışmada, kendi kendini derecelendiren depresyon ölçeği (SDS) puanına dayalı olarak depresyon şiddetini tahmin etmek için sınıflandırmak üzere 60 deneğin dinlenme durumu ve görev odaklı EEG kayıtlarını içeren açık kaynaklı bir veri kümesi incelenmiştir. Deneklerin ciddiyeti SDS puan aralıklarına göre etiketlenmiştir. DNN'lerin, özellikle de evrişimli sinir ağları (CNN'ler) ve tekrarlayan sinir ağlarının (RNN'ler) özellik çıkarma kabiliyetleri kullanılarak, EEG verilerinin kendisi ve literatürde kullanılan, EEG verisinden çıkarılan özellikler kullanılarak depresyon şiddet seviyesinin sınıflandırılması amaçlanmaktadır. Farklı veri girdi şekillerine göre sınıflandırma doğruluk oranları elde edilmiştir. EEG verilerinden elde edilen bazı özelliklerin ve bu özelliklerin kombinasyonlarının yukarıda bahsedilen ağlarda iyi sonuçlar verdiği gözlemlenmiştir.