Classifying Depression Patients and Normal Subjects using Machine Learning Techniques
محل انتشار: نوزدهمین کنفرانس مهندسی برق ایران
سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,398
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICEE19_523
تاریخ نمایه سازی: 14 مرداد 1391
چکیده مقاله:
Depression is one of the most common mental disorder that at its worst can lead to suicide. Diagnosing depression in the early curable stage is very important. In this paper we study performance of different classification techniques for classifying depression patients from normal subjects. For this aim, power spectrum of three frequency band(alpha, beta, theta) and the whole bands of EEG are used as features. We have shown that Support Vector Machine (SVM) classifier using Genetic algorithm for feature selection can achieve accuracy of 88.6% on classifying depression patients
کلیدواژه ها:
نویسندگان
Behshad Hosseinifard
Amirkabir University of Technology
Reza Rostami
Tehran University
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :