Tendencias y perspectivas en la detección de depresión mediante el análisis de señales Electroencefalográficas (EEG): una Revisión Sistemática de la Literatura.
Título del documento: Tendencias y perspectivas en la detección de depresión mediante el análisis de señales Electroencefalográficas (EEG): una Revisión Sistemática de la Literatura.
Revista: Xikua boletín científico de la escuela superior de Tlahuelilpan
Base de datos:
Número de sistema: 000585690
ISSN: 2007-4948
Autores: 1
1
1
1
1
Instituciones: 1Centro Nacional de Investigación y Desarrollo Tecnológico,
Año:
Volumen: 11
Número: 22
Paginación: 1-11
País: México
Idioma: Español
Resumen en inglés Currently, the diagnosis of depression is carried out through clinical interviews; taking into account the information provided by the patient, questionnaires or tests are used which help us have an approximation of the severity of the illness. To avoid human intervention in this type of diagnosis, one could resort to the analysis of electroencephalographic (EEG) signals using different machine learning techniques. This Systematic Literature Review (SLR) aims to synthesize current trends in the detection of depression through EEG signals and machine learning models. A search was conducted in PubMed, IEEExplore, ScienceDirect, and SpringerLink where 41 works were obtained in databases and 50 works were obtained through other sources, of which 20 articles published between 2020  and 2022 were selected, which present a comparison between different processing and classification methods. In the vast majority of the works, the accuracy rate is more than 80% in a binary classification (Depression/No Depression), as a result of the study of  different methodologies and machine learning models. This work aims to review the literature to offer a useful cross-section to  determine the most widely used classification methods.
Resumen en español 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.
Palabras clave: Depresión,
EEG,
Aprendizaje Automático,
Aprendizaje Profundo
Keyword: Depression,
EEG,
Machine Learning,
Deep Learning
Texto completo: Texto completo (Ver PDF)