Tendencias y perspectivas en la detección de depresión mediante el análisis de señales Electroencefalográficas (EEG): una Revisión Sistemática de la Literatura.

Palabras clave: Depresión, EEG, Aprendizaje Automático, Aprendizaje Profundo

Resumen

Actualmente el diagnóstico de la depresión se realiza mediante entrevistas clínicas; teniendo en cuenta la información que aporta el paciente, se utilizan cuestionarios o test los cuales nos ayudan a tener una aproximación de la gravedad del padecimiento. Para evitar la intervención humana en este tipo de diagnósticos, se podría recurrir al análisis de señales electroencefalográficas (EEG) con diferentes técnicas de Aprendizaje Automático. Esta Revisión Sistemática de la Literatura (RSL) tiene como objetivo sintetizar las tendencias actuales sobre la detección de la depresión a través de señales EEG y modelos de Aprendizaje Automático. Se realizó una búsqueda en PubMed, IEEExplore, ScienceDirect y SpringerLink donde se obtuvieron 41 trabajos en bases de datos y 50 trabajos a través de otras fuentes, de los que se seleccionaron 20 artículos publicados entre 2020 y 2022, los cuales presentan una comparación entre diferentes métodos de procesamiento y clasificación. En su gran mayoría, los trabajos demuestran una tasa de precisión mayor al 80% en una clasificación binaria (Depresión/No Depresión), resultado del estudio de diferentes metodologías y modelos de Aprendizaje Automático. Este trabajo tiene como objetivo revisar la literatura para ofrecer una sección transversal útil para determinar los métodos de clasificación mayormente utilizados.

Descargas

La descarga de datos todavía no está disponible.

Citas

Avots, E., Jermakovs, K., Bachmann, M., Päeske, L., Ozcinar, C., and Anbarjafari (2022). Ensemble approach for detection of depression using EEG features. Entropy, 24.

Berger, H. (1929). Über das elektroenkephalogramm des menschen. Archiv für psychiatrie und nervenkrankheiten, 87(1):527–570.

Cahn, B. (2006). Meditation states and traits: EEG, ERP, and neuroimaging studies. Psychological Bulletin.

Collell, G. (2015). Brain activity and cognition: a connection from thermodynamics and information theory. frontiers in psychology.

Camacho, M., Katherine, M., Rani, P., James, C., and James, J. (2018). Next generation machine learning for biological networks. Cell, 173:1581–1592.

Čukić, M., López, V., and Pavón, J. (2020a). Classification of depression through resting-state electroencephalogram as a novel practice in psychiatry: Review.

Duan, L., Duan, H., Qiao, Y., Sha, S., Qi, S., Zhang, X., Huang, J., Huang, X., and Wang, C. (2020). Machine learning approaches for mdd detection and emotion decoding using EEG signals. Frontiers in Human Neuroscience, 14.

Friston, K. (2009). Causal modelling and brain connectivity in functional magnetic resonance imaging.

Friston, K. (2002). Bayesian estimation of dynamical systems: an application to fmri. Neuroimage.

Gilson, M., Deco, G., Friston, J., Hagmann, P., Mantini, D., Betti, V., Romani, G., and Corbetta, M. (2018). Effective connectivity inferred from fmri transition dynamics during movie viewing points to a balanced reconfiguration of cortical interactions. neuroimage.

Gilson, M., Moreno-Bote, R., Ponce-Alvarez, A., Ritter, P., and Deco, G. (2016). Estimation of directed effective connectivity from fmri functional connectivity hints at asymmetries of cortical connectome. PLOS Computational Biology, 12:1–30

Hughes, J. R. (2008). Gamma, fast, and ultrafast waves of the brain: Their relationships with epilepsy and behavior. Epilepsy Behavior, 13(1):25–31.

Hobson, J. (2002). The cognitive neuroscience of sleep: neuronal systems, consciousness and learning.

Jaworska, N., Blier, P., Fusee, W., and Knott, V. (2012). Alpha power, alpha asymmetry and anterior cingulate cortex activity in depressed males and females.

Jang, K., Kim, S., Lee, C., and Chae, J. (2021a). Machine learning based electroencephalographic phenotypes of schizophrenia and major depressive disorder. Frontiers in Psychiatry, 12.

Jang, K., Kim, S., Lee, C., and Chae, J. (2021b). Machine learning based electroencephalographic phenotypes of schizophrenia and major depressive disorder.

Kaur, C., Singh, P., and Sahni, S. (2021). Eeg artifact removal system for depression using a hybrid denoising approach. Basic and Clinical Neuroscience, 12.

Li, Y., Shen, Y., Fan, X., Huang, X., Yu, H., Zhao, G., and Ma, W. (2022). A novel EEG-based major depressive disorder detection framework with two-stage feature selection. BMC Medical Informatics and Decision Making, 22.

Liu, W., Jia, K., Wang, Z., and Ma, Z. (2022b). A depression prediction algorithm based on spatiotemporal feature of EEG signal. Brain Sciences, 12.

Liu, B., Chang, H., Peng, K., and Wang, X. (2022a). An end-to-end depression recognition method based on eegnet. Frontiers in Psychiatry, 13.

Mahato, S., Goyal, N., Ram, D. et al., Detection of Depression and Scaling of Severity Using Six Channel EEG Data., J Med Syst 44, 118 (2020). https://doi.org/10.1007/s10916-020-01573-y.

Movahed, R. A., Jahromi, G. P., Shahyad, S., and Meftahi, G. H. (2021). A major depressive disorder classification framework based on EEG signals using statistical, spectral, wavelet, functional connectivity, and nonlinear analysis. Journal of Neuroscience Methods, 358.

Marreiros, A., Kiebel, S., and Friston, K. (2008). Dynamic causal modelling for fmri: A two-state model. NeuroImage, 39(1):269–278.

Nyström, C., Matousek, M., and Hällström, T. (1986). Relationships between EEG and clinical characteristics in major depressive disorder.

Pfurtscheller, G., Stancák, A., and Neuper, C. (1996). Event-related synchronization (ers) in the alpha band — an electrophysiological correlate of cortical idling: A review. International Journal of Psychophysiology, 24(1):39–46. New Advances in EEG and cognition.

Ramsey N., M. R. (2020). Handbook of clinical neurology, vol. 168 (3rd series) brain-computer interfaces.

Saeedi, M., Saeedi, A., and Maghsoudi, A. (2020). Major depressive disorder assessment via enhanced k-nearest neighbor method and EEG signals. Physical and Engineering Sciences in Medicine, 43:1007–1018.

Sadat Shahabi, M., Shalbaf, A., and Maghsoudi, A. (2021). Prediction of drug response in major depressive disorder using ensemble of transfer learning with convolutional neural network based on eeg. Biocybernetics and Biomedical Engineering, 41(3):946–959.

Saeedi, A., Saeedi, M., Maghsoudi, A., and Shalbaf, A. (2021). Major depressive disorder diagnosis based on effective connectivity in EEG signals: a convolutional neural network and long short-term memory approach. Cognitive Neurodynamics, 15:239–252.

Thoduparambil, P. P., Dominic, A., and Varghese, S. M. (2020). EEG based deep learning model for the automatic detection of clinical depression. Physical and Engineering Sciences in Medicine, 43:1349– 1360.

Uyulan, C., Ergüzel, T. T., Unubol, H., Cebi, M., Sayar, G. H., Asad, M. N., and Tarhan, N. (2021). Major depressive disorder classification based on different convolutional neural network models: Deep learning approach. Clinical EEG and Neuroscience, 52:38–51.

Uyulan, C., de la Salle, S., Erguzel, T. T., Lynn, E., Blier, P., Knott, V., Adamson, M. M., Zelka, M., and Tarhan, N. (2022). Depression diagnosis modeling with advanced computational methods: Frequency domain emvar and deep learning. Clinical EEG and Neuroscience, 53:24–36

World Health Organization, Depression and Other Common Mental Disorders: Global Health Estimates., Geneva; (2017). Licence: CC BY NC-SA 3.0 IGO.

Wang, B., Kang, Y., Huo, D., Feng, G., Zhang, J., and Li, J. (2022). Eeg diagnosis of depression based on multi-channel data fusion and clipping augmentation and convolutional neural network. Frontiers in Physiology, 13.

Xin, D., Xufeng, F., Xiangwei, L., and Kaiwei, S. (2022). Sparnet: A convolutional neural network for EEG space-frequency feature learning and depression discrimination. Frontiers in Neuroinformatics, 16.

Zhu, J., Wang, Z., Gong, T., Zeng, S., and Li, X. (2020). An improved classification model for depression detection using eeg and eye tracking data. IEEE Trans Nanobioscience.

Publicado
2023-07-05
Cómo citar
Obispo Bustillos, T. H., González Franco, N., González Serna, J. G., Mújica Vargas, D., & Castro Sánchez, N. A. (2023). Tendencias y perspectivas en la detección de depresión mediante el análisis de señales Electroencefalográficas (EEG): una Revisión Sistemática de la Literatura. XIKUA Boletín Científico De La Escuela Superior De Tlahuelilpan, 11(22), 1-11. https://doi.org/10.29057/xikua.v11i22.10561
Tipo de manuscrito
Artículos