Original title:
Detection of Anxiety from Brain Electroencephalogram (EEG) Signals
Translated title:
Detection of Anxiety from Brain Electroencephalogram (EEG) Signals
Authors:
Marko, Július ; Shakil, Sadia (referee) ; Malik, Aamir Saeed (advisor) Document type: Master’s theses
Year:
2024
Language:
eng Publisher:
Vysoké učení technické v Brně. Fakulta informačních technologií Abstract:
[eng][cze]
Úzkosť ovplyvňuje ľudské schopnosti, správanie, produktivitu a kvalitu života. Úzkosť nás udržuje v bezpečí ako súčasť systému, ktorý pomáha kontrolovať a odvracať nebezpečenstvo. Tento systém sa však môže narušiť. Keď takéto narušenie nastane, môže to viesť k depresii a dokonca k samovražde. Cieľom tejto práce je vyvinúť novú metódu detekcie úzkosti zo signálov mozgu, konkrétne elektroencefalogramu (EEG), neinvazívnej a nákladovo efektívnej skríningovej metódy. Navrhovaná metóda zahŕňa mikrostavy, ktoré zatiaľ neboli na základe dostupnej literatúry použité na detekciu úzkosti. Extrahované sú aj ďalšie vlastnosti v časovej a frekvenčnej doméne. Nakoniec bol na týchto vlastnostiach natrénovaný a vyhodnotený klasifikátor strojového učenia, ktorý prekonal aktuálne dostupné metódy.
Anxiety affects human abilities, behavior, productivity, and quality of life. Anxiety keeps us safe as part of a system that helps to control and avert danger. However, this safety system can go wrong. When such impairment emerges, it can lead to depression and even suicide. This work aims to develop a novel method of anxiety detection from brain signals, in particular electroencephalography (EEG), a non-invasive and cost-effective screening method. The proposed method incorporates microstates, which were not previously utilized for anxiety detection. Additional features in the time and frequency domain are extracted. Finally, a machine learning classifier is trained and evaluated on these features, outperforming other existing methods.
Keywords:
EEG; elektroencefalografia; mikrostavy; mozog; strojové učenie; úzkostná porucha; úzkosť; anxiety; anxiety disorder; brain; EEG; electroencephalogram; machine learning; microstates
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: https://hdl.handle.net/11012/248544