Neuer Feature‑Auswahl-Ansatz bei fehlenden EEG‑Kanälen steigert Depressionsdiagnose

Depression ist eine der gravierendsten psychischen Erkrankungen und belastet sowohl körperlich als auch geistig. Neueste Fortschritte in der EEG‑basierten Analyse versprechen, die Erkennungsgenauigkeit zu erhöhen, doch die Daten sind häufig von redundanten, irrelevanten und verrauschten Merkmalen durchdrungen. Zusätzlich treten bei der realen Erfassung von EEG‑Signalen häufig Datenverluste durch abgenommene Elektroden und starke Störgeräusche auf.

Um diesen Problemen entgegenzuwirken, wurde der innovative Ansatz „Unvollständige Depressionsmerkmal-Auswahl mit fehlenden EEG‑Kanälen“ (IDFS‑MEC) entwickelt. IDFS‑MEC nutzt ein fehlendes‑Kanäle‑Indikator‑System und adaptive Kanalgewichtung in einer orthogonalen Regressionsstruktur, um die Auswirkungen unvollständiger Kanäle zu reduzieren. Anschließend minimiert ein globaler Redundanz‑Lernmechanismus die Überlappung zwischen den ausgewählten Merkmalen.

Umfangreiche Tests an den Datensätzen MODMA und PRED‑d003 zeigen, dass die von IDFS‑MEC ausgewählten EEG‑Merkmalsgruppen die Leistung von zehn etablierten Feature‑Selection‑Methoden in 3‑, 64‑ und 128‑Kanäleinstellungen übertreffen. Der neue Ansatz bietet damit einen vielversprechenden Weg, die Zuverlässigkeit von EEG‑basierten Depressionsdiagnosen in der Praxis zu erhöhen.