Abstract
Mental disorders like depression represent 28% of global disability, it affects around 7.5% percent of global disability. Depression is a common disorder that affects the state of mind, normal activities, emotions, and produces sleep disorders. It is estimated that approximately 50% of depressive patients suffering from sleep disturbances. In this paper, a data mining process to classify depressive and not depressive episodes during nighttime is carried out based on a formal method of data mining called Knowledge Discovery in Databases (KDD). KDD guides the process of data mining with stages well established: Pre-KDD, Selection, Pre-processing, Transformation, Data Mining, Evaluation, and Post-KDD. The dataset used for the classification is the DEPRESJON dataset, which contains the motor activity of 23 unipolar and bipolar depressed patients and 32 healthy controls. The classification is carried out with two different approaches; a multivariate and univariate analysis to classify depressive and non-depressive episodes. For the multivariate analysis, the Random Forest algorithm is implemented with a model construct of 8 features, the results of the classification are specificity equal to 0.9927 and sensitivity equal to 0.9991. The univariate analysis shows that the maximum of the activity is the most descriptive characteristic of the model with 0.908 in accuracy for the classification of depressive episodes.
Highlights
По данным Всемирной организации здравоохранения (ВОЗ), психоневрологические расстройства составляют в общей сложности 28% от общего числа заболеваний в мире, и более трети из них вызваны депрессивными расстройствами, от которых страдают около 322 миллионов человек во всем мире
Где – точка сигнала активности во времени, – cреднее значение активности, а – среднеквадратическое отклонение активности
Данный процесс реализуется на полной модели с 8 признаками в одномерном режиме, т.е. алгоритм обучается и тестируется по каждому признаку в отдельности
Summary
По данным Всемирной организации здравоохранения (ВОЗ), психоневрологические расстройства составляют в общей сложности 28% от общего числа заболеваний в мире, и более трети из них вызваны депрессивными расстройствами, от которых страдают около 322 миллионов человек во всем мире. Армитаж (Roseanne Armitage) [4] об электроэнцефалографии во время сна делается вывод о том, что сон является подходящим периодом для диагностики MDD. По крайней мере, на четверть населения мира, и они напрямую связаны с MDD. Данные методы обычно используются для прогнозирования развития болезни или для выявления чрезвычайных ситуаций у пациентов с психическими заболеваниями, такими как болезнь Альцгеймера, депрессия и шизофрения. С использованием набора данных DEPRESJON определили оптимальный временной интервал для классификации пациентов с депрессией из контрольной группы. Что нарушения сна являются серьезной проблемой и имеют связь с психическими расстройствами, особенно с депрессией, являясь ее причиной или в большинстве случаев симптомом [15], в данной работе основное внимание уделяется данным, собранным в ночное время, с помощью которых можно найти закономерности, позволяющих выявить депрессивные эпизоды. Структурно каждый раздел данной статьи подробно описывает определенный этап анализа данных, проводимого по методологии обнаружения знаний в базах данных (KDD) [16], и, наконец, завершается статья разделом «Заключение»
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Free) 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
