Analysis of Major Depressive Disorder with EEG Signals Using Adaptive Signal Processing and Machine Learning Techniques
Fatma Latifoğlu1, Sabrina Turturova1, FIRAT ORHANBULUCU21Department Of Biomedical Engineering, Faculty Of Engineering, Erciyes University, Kayseri, Türkiye2Department Of Biomedical Engineering, Faculty Of Engineering, Inonu University, Malatya, Türkiye
Background and Objective: Major Depressive Disorder (MDD) is a significant mental health issue that negatively affects individuals' quality of life. In this study, an adaptive signal processing and machine learning-based approach was developed for the intelligent diagnosis of MDD through electroencephalogram (EEG) signals.
Methods: The Variational Mode Decomposition (VMD), Empirical Mode Decomposition (EMD) and Empirical Wavelet Transform (EWT) methods were applied to EEG data from 26 MDD patients and 29 healthy control subjects using a limited number of EEG channels obtained from the frontal region, thereby decomposing the signals into sub-frequency bands. Frequency and statistical features were extracted from the raw and decomposed EEG signals. The Least Absolute Shrinkage and Selection Operator (LASSO) algorithm was used for feature selection, and classification was performed using four different machine learning models.
Results: The results obtained show that adaptive signal processing methods significantly improve performance compared to raw EEG analysis. In particular, the VMD & ANN combination emerged as the most successful model. This model demonstrated superior classification performance compared to other models, with 96.66% accuracy, 98.60% AUC, and 96.72% F1 score values. Furthermore, the decision mechanism of this model was examined in detail using Shapley Additive exPlanations (SHAP) analysis, and potential biomarkers that could guide clinical decision-making processes in MDD diagnosis were identified.
Conclusion: In this context, the findings obtained in the proposed study significantly contribute to improving early diagnosis processes and developing automated diagnosis systems, providing a solid foundation for the development of computer-based diagnostic tools that will strengthen clinical decision support mechanisms
Keywords: Electroencephalography, Major depressive disorder, Variational mode decomposition, Empirical mode decomposition, Empirical wavelet transform
Uyarlanabilir Sinyal İşleme ve Makine Öğrenmesi Teknikleri ile EEG Sinyalleri Üzerinden Majör Depresif Bozukluğun Analizi
Fatma Latifoğlu1, Sabrina Turturova1, FIRAT ORHANBULUCU21Erciyes Üniversitesi, Mühendislik Fakültesi, Biyomedikal Mühendisliği Bölümü, Kayseri, Türkiye2İnönü Üniversitesi, Mühendislik Fakültesi, Biyomedikal Mühendisliği Bölümü, Malatya, Türkiye
Amaç ve Giriş: Majör Depresif Bozukluk (MDB), bireylerin yaşam kalitesini olumsuz etkileyen önemli bir ruh sağlığı problemidir. Bu çalışmada, MDB’nin elektroensefalogram (EEG) sinyalleri üzerinden akıllı tanısına yönelik uyarlanabilir sinyal işleme ve makine öğrenmesine dayalı bir yaklaşım geliştirilmiştir.
Yöntem: Alın bölgesinden elde edilen sınırlı sayıda EEG kanal verisi kullanılarak, 26 MDB hastası ve 29 sağlıklı kontrol bireyine ait EEG sinyallerine Variational Mode Decomposition (VMD), Empirical Mode Decomposition (EMD) ve Empirical Wavelet Transform (EWT) yöntemleri uygulanmış ve sinyaller alt frekans bantlarına ayrıştırılmıştır. Ham ve ayrıştırılmış EEG sinyallerinden frekans ve istatistiksel öznitelikler çıkarılmıştır. Öznitelik seçimi için Least Absolute Shrinkage and Selection Operator (LASSO) algoritması kullanılmış ve dört farklı makine öğrenmesi modeliyle sınıflandırma gerçekleştirilmiştir.
Bulgular: Elde edilen sonuçlar, uyarlanabilir sinyal işleme yöntemlerinin, ham EEG analiziyle karşılaştırıldığında sınıflandırma performansını anlamlı ölçüde artırdığını göstermektedir. Özellikle, VMD & Yapay Sinir Ağı (ANN) kombinasyonu en başarılı model olarak öne çıkmıştır. Bu model, %96,66 doğruluk, %98,60 AUC ve %96,72 F1 skoru ile diğer modellere kıyasla üstün sınıflandırma performansı göstermiştir. Ayrıca, bu modelin karar verme mekanizması Shapley Additive exPlanations (SHAP) analizi ile ayrıntılı olarak incelenmiş ve MDB tanısında klinik karar verme süreçlerine rehberlik edebilecek potansiyel biyobelirteçler belirlenmiştir.
Sonuç: Bu kapsamda, önerilen çalışmada elde edilen bulgular, erken tanı süreçlerinin iyileştirilmesine ve otomatik tanı sistemlerinin geliştirilmesine önemli katkılar sağlamaktadır. Aynı zamanda, klinik karar destek mekanizmalarını güçlendirecek bilgisayar tabanlı tanı araçlarının geliştirilmesi için sağlam bir temel sunmaktadır.
Anahtar Kelimeler: Elektroensefalografi, Majör depresif bozukluk, Variational mode decomposition, Empirical mode decomposition, Empirical wavelet transform
Manuscript Language: English