Decodificación de la depresión desde diferentes regiones cerebrales utilizando métodos híbridos de aprendizaje automático
Autores: Sang, Qi; Chen, Chen; Shao, Zeguo
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Decodificación de la depresión desde diferentes regiones cerebrales utilizando métodos híbridos de aprendizaje automático
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Depresión
Segmentación de regiones cerebrales
Algoritmos de aprendizaje automático
Señales de EEG
Precisión de detección
Lóbulo temporal izquierdo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 32
Citaciones: Sin citaciones
La depresión se ha convertido en una de las enfermedades mentales más comunes, causando graves daños físicos y mentales. Para aclarar el impacto de la segmentación de regiones cerebrales en la precisión de detección del trastorno depresivo mayor (TDM) de moderado a grave e identificar la región cerebral óptima para detectar el TDM utilizando electroencefalografía (EEG), este estudio comparó ocho algoritmos tradicionales de aprendizaje automático individual con un modelo de aprendizaje automático híbrido basado en una técnica de conjunto de apilamiento. El modelo híbrido utilizó vecinos más cercanos (KNN), árbol de decisión (DT) y Extreme Gradient Boosting (XGBoost) como aprendices base y utilizó un DT como meta-aprendiz. En comparación con los métodos individuales tradicionales, el enfoque híbrido mejoró significativamente la precisión de detección al aprovechar las fortalezas de diferentes algoritmos. Además, este estudio dividió las regiones cerebrales en los lóbulos temporales izquierdo y derecho y extrajo características lineales y no lineales para capturar de manera integral la complejidad y el comportamiento dinámico de las señales de EEG, mejorando la capacidad del modelo para distinguir características en diferentes regiones cerebrales. Los resultados experimentales mostraron que entre los ocho métodos tradicionales de aprendizaje automático, el clasificador KNN logró la mayor precisión de detección del 96.97% en la región del lóbulo temporal izquierdo. Por otro lado, el modelo híbrido de aprendizaje por apilamiento aumentó aún más la precisión de detección al 98.07%, superando significativamente a los modelos individuales. Además, el análisis de la segmentación de regiones cerebrales reveló que el lóbulo temporal izquierdo mostró una mayor capacidad discriminativa en la detección del TDM, resaltando su papel importante en la neurobiología de la depresión. Este estudio sienta una base sólida para el desarrollo de métodos más eficientes y portátiles para detectar la depresión, ofreciendo nuevas perspectivas y enfoques para la detección del TDM basada en EEG, y contribuyendo a la mejora de la objetividad y precisión en el diagnóstico de la depresión.
Descripción
La depresión se ha convertido en una de las enfermedades mentales más comunes, causando graves daños físicos y mentales. Para aclarar el impacto de la segmentación de regiones cerebrales en la precisión de detección del trastorno depresivo mayor (TDM) de moderado a grave e identificar la región cerebral óptima para detectar el TDM utilizando electroencefalografía (EEG), este estudio comparó ocho algoritmos tradicionales de aprendizaje automático individual con un modelo de aprendizaje automático híbrido basado en una técnica de conjunto de apilamiento. El modelo híbrido utilizó vecinos más cercanos (KNN), árbol de decisión (DT) y Extreme Gradient Boosting (XGBoost) como aprendices base y utilizó un DT como meta-aprendiz. En comparación con los métodos individuales tradicionales, el enfoque híbrido mejoró significativamente la precisión de detección al aprovechar las fortalezas de diferentes algoritmos. Además, este estudio dividió las regiones cerebrales en los lóbulos temporales izquierdo y derecho y extrajo características lineales y no lineales para capturar de manera integral la complejidad y el comportamiento dinámico de las señales de EEG, mejorando la capacidad del modelo para distinguir características en diferentes regiones cerebrales. Los resultados experimentales mostraron que entre los ocho métodos tradicionales de aprendizaje automático, el clasificador KNN logró la mayor precisión de detección del 96.97% en la región del lóbulo temporal izquierdo. Por otro lado, el modelo híbrido de aprendizaje por apilamiento aumentó aún más la precisión de detección al 98.07%, superando significativamente a los modelos individuales. Además, el análisis de la segmentación de regiones cerebrales reveló que el lóbulo temporal izquierdo mostró una mayor capacidad discriminativa en la detección del TDM, resaltando su papel importante en la neurobiología de la depresión. Este estudio sienta una base sólida para el desarrollo de métodos más eficientes y portátiles para detectar la depresión, ofreciendo nuevas perspectivas y enfoques para la detección del TDM basada en EEG, y contribuyendo a la mejora de la objetividad y precisión en el diagnóstico de la depresión.